图像生成

Evaluating Intellectual Property Guardrails of Generative Image Models: A Technical Report

评估生成式图像模型的知识产权保护措施：技术报告

Austin T. Hoag, Apostolos Modas, Yunhao Ba, Julienne M. LaChance, Jinru Xue, Wiebke Hutiri, Jan Simson, Tiffany Georgievski, Alex Towli, Joseph Smith, Yuki Mitsufuji, Alice Xiang

机构 * Sony AI New York（索尼人工智能纽约分部） ； Sony AI Zurich（索尼人工智能苏黎世分部） ； Sony Group Corporation London（索尼集团公司伦敦分部） ； Sony Group Corporation New York（索尼集团公司纽约分部） 纠错

专题命中 图像生成评测 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 提出基准和自动化评估流程，测试生成式图像模型的知识产权保护证据及生成含可识别知识产权图像的倾向，评估了14个文本到图像模型，发现私有模型有不同程度拒绝生成情况。

Correlation-Weighted Multi-Reward Optimization for Compositional Generation

基于相关性的多奖励优化用于组合生成

Jungmyung Wi, Hyunsoo Kim, Donghyun Kim

机构 * Korea University（韩国大学） ； Korea Institute of Science and Technology（韩国科学技术院） 纠错

专题命中 图像生成评测 ：text-to-image(abstract)；diffusion(abstract)

AI总结 本文提出相关性加权多奖励优化方法，通过调整概念奖励权重提升多概念生成效果，改进了SD3.5和FLUX.1-dev模型在多概念基准测试中的表现。

Comments Published at ECCV 2026

Glare Mitigation using a Differentiable Unified Glare Rating

使用可微统一眩光评级减轻眩光

Linas Beresna, Eugene Fiume

专题命中 图像生成评测 ：image generation(abstract)；分类 cs.GR

AI总结 研究利用可微光传输，引入连续可微的UGR代理，解决低样本密度下蒙特卡洛方差导致的优化不稳定，通过可调Sigmoid边界替换离散UGR阶梯函数，在多领域减轻眩光，提供优化视觉舒适度的管道。

Comments 15 pages, 16 figures. Published in Proceedings of the Eurographics Symposium on Rendering (EGSR) 2026, Symposium Track. This is the authors' version; the definitive version is available at the Eurographics Digital Library

Journal ref Eurographics Symposium on Rendering 2026 (Symposium Track)

DF3DV-1K: A Large-Scale Dataset and Benchmark for Distractor-Free Novel View Synthesis

DF3DV-1K：用于无干扰新视角合成的大规模数据集与基准

Cheng-You Lu, Yi-Shan Hung, Wei-Ling Chi, Hao-Ping Wang, Charlie Li-Ting Tsai, Yu-Cheng Chang, Yu-Lun Liu, Thomas Do, Chin-Teng Lin

机构 * University of Technology Sydney（悉尼科技大学） ； University of Sydney（悉尼大学） ； National Yang Ming Chiao Tung University（阳明交通大学） 纠错

专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV

AI总结 为弥补无干扰辐射场领域缺乏大规模真实世界数据集的空白，构建了包含1048个场景、每场景提供干净和杂乱图像集的DF3DV-1K数据集，并基于此基准测试了九种最新方法，识别出最鲁棒的方法和最具挑战的场景。

Comments ECCV 2026 Accepted

Explainable Concept Generation through Vision-Language Preference Learning for Understanding Neural Networks' Internal Representations

通过视觉-语言偏好学习实现可解释的概念生成以理解神经网络的内部表示

Aditya Taparia, Som Sagar, Ransalu Senanayake

专题命中 图像生成评测 ：image generation(abstract)；分类 cs.CV

AI总结 本文提出通过视觉-语言偏好学习生成概念图像集，解决传统方法需手动收集概念图像集的不足，提高神经网络内部表示理解的效率和可靠性。

Comments 28 pages, 31 figures

Journal ref Proceedings of the 42nd International Conference on Machine Learning (ICML 2025), PMLR 267:59154-59181, 2025