图像生成

Image Inpainting via Stochastic Dynamics

基于随机动力学的图像修复

Jiaqi Kuang, Zihao Guo, Zhongmin Qian

机构 * Oxford Suzhou Centre for Advanced Research, University of Oxford（牛津大学牛津 - 苏州高等研究院） ； Institute for Advanced Research, Great Bay University（大湾区大学高等研究院） ； Mathematical Institute, University of Oxford（牛津大学数学研究所） 纠错

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

AI总结 研究图像修复问题，提出基于数据引导随机动力学的非参数方法，无需网络训练，通过反向随机微分方程及核加权校正引导重建，在多个数据集实验中表现优于其他方法，证明经验参考统计对图像修复的有效性。

FiDeSR: High-Fidelity and Detail-Preserving One-Step Diffusion Super-Resolution

FiDeSR: 高保真且细节保留的一步扩散超分辨率

Aro Kim, Myeongjin Jang, Chaewon Moon, Youngjin Shin, Jinwoo Jeong, Sang-hyo Park

机构 * Kyungpook National University ； Korea Electronics Technology Institute 纠错

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

AI总结 FiDeSR通过细节感知加权策略和残差-残差噪声细化，实现高保真且细节保留的一步扩散超分辨率

Comments Accepted to CVPR 2026

Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026, pp. 38270-38280

Small, Bias-Free, Blind and Convolutional Denoiser: A compact ConvNeXt U-Net for blind Gaussian color-image denoising

小型、无偏差、盲态和卷积去噪器：用于盲高斯彩色图像去噪的紧凑型ConvNeXt U-Net

Nikolas Markou

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

AI总结 研究针对盲高斯彩色图像去噪，提出结合多种要素的紧凑型无偏差ConvNeXt U-Net即BF-ConvUNeXt。通过特殊设计使其具有齐次性，能盲态泛化。训练单一模型，在多数据集多噪声水平下评估表现良好，虽略落后于最优技术，但参数少，还推动相关逆问题研究。

Comments 15 pages, 1 figure

Layering Virtual Try-On

分层虚拟试穿

Chun Feng, Bowei Chen, Mengyi Shan, Ira Kemelmacher-Shlizerman

机构 * University of Washington（华盛顿大学） 纠错

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

AI总结 研究针对现实中服装分层搭配的虚拟试穿难题，提出LVTON方法。先通过自动数据生成管道训练获取一般VTON先验知识，再在专用数据集微调学习分层逻辑，在LVTON基准及传统VTON基准上取得优异成果，展现零样本能力。

Comments Accepted to ECCV 2026