图像生成

Inpainting U-Net for seamless pedestrian-level wind prediction across urban morphologies

用于跨城市形态的无缝行人级风速预测的修复U-Net

Jingzi Huang, Claire E. Heaney, Tao Li, Xinzhe Li, Graham O. Hughes, Maarten van Reeuwijk

机构 * Department of Civil and Environmental Engineering, Imperial College London（伦敦帝国理工学院土木与环境工程系） ； Department of Earth Science and Engineering, Applied Modelling and Computation Group, Imperial College London（伦敦帝国理工学院地球科学与工程系应用建模与计算组） 纠错

专题命中 图像修复 ：inpainting(title,abstract)；分类 cs.CV

AI总结 研究针对行人级风速预测，开发两阶段U-Net框架。先由基线U-Net逐块预测，再用基于修复的U-Net改进，减少块边界不连续性，为跨城市形态的高分辨率行人级风速预测提供了高效灵活的替代模型。

InverseCrafter: Efficient Video ReCapture as a Latent Domain Inverse Problem

InverseCrafter：作为潜在域逆问题的高效视频重新捕捉

Yeobin Hong, Suhyeon Lee, Hyungjin Chung, Jong Chul Ye

机构 * Graduate School of AI, KAIST, South Korea（韩国釜山国立大学人工智能研究生院） ； EverEx, South Korea（韩国EverEx公司） ； Korea University, South Korea（韩国国立庆熙大学） 纠错

专题命中 图像修复 ：diffusion(abstract)；inpainting(abstract)；分类 cs.CV

AI总结 提出InverseCrafter框架，将新视角视频生成转化为潜在空间基于图像修复的逆问题，通过轻量级潜在掩码编码器建立算子等价，无需标注4D训练数据，实现高效合成与编辑。

Comments ECCV 2026

Geometric Reciprocity: Unlocking Self-Supervision for Stereoscopic Video Generation

几何互易性：解锁立体视频生成的自监督能力

Jingyi Lu, Kai Han

机构 * Visual AI Lab, The University of Hong Kong, Hong Kong, China（香港大学视觉人工智能实验室） 纠错

专题命中 图像修复 ：inpainting(abstract)；分类 cs.CV

AI总结 针对单目转立体任务中立体修复依赖稀缺标注数据的问题，提出几何互易性定理，构建自监督框架，从海量单目视频学习，性能远超现有无监督、监督SOTA方法。

Comments Accepted to ICML 2026. Project page: https://visual-ai.github.io/grt/

Pooling-Based Context Modeling for Convolution-Free Deep Image Prior

基于池化的无卷积深度图像先验的上下文建模

Gihyun Kim, Jong-Seok Lee

机构 * Yonsei University（延世大学） 纠错

专题命中 图像修复 ：inpainting(abstract)；分类 cs.CV

AI总结 研究提出Pool-DIP，一种无卷积架构，通过基于池化的对比建模捕捉空间上下文，提升去噪性能，减少参数和计算复杂度，在多数据集表现良好，还能用于其他图像恢复任务。

Comments 16 pages, 9 figures