图像生成

Inpainting physics: self-supervised learning for context-driven fluid simulation

物理修复：用于上下文驱动流体模拟的自监督学习

Jonas Weidner, Yeray Martin-Ruisanchez, Daniel Rueckert, Benedikt Wiestler, Julian Suk

机构 * AI for Image-Guided Diagnosis and Therapy, Technical University of Munich（图像引导诊断与治疗人工智能，慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； AI in Healthcare and Medicine, Technical University of Munich（医疗人工智能，慕尼黑技术大学） ； Imperial College London（伦敦帝国学院） 纠错

专题命中 图像修复 ：inpainting(title,abstract)

AI总结 提出将稳态CFD推理重构为修复问题，通过自监督学习速度场先验并在推理时施加边界约束，利用局部邻域分词器处理大规模3D网格，在颅内动脉瘤血流动力学中优于监督代理模型。

MagnifiQ: Patch-aware Text Guided Progressive Upscaling for High-Resolution Image Restoration

MagnifiQ：面向高分辨率图像修复的感知补丁文本引导渐进式上采样方法

Mahesh Reddy, Yashesh Savani, Antoine Mercier, Hong Cai, Fatih Porikli, Guillaume Berger

机构 * Qualcomm AI Research（高通人工智能研究中心） 纠错

专题命中 图像修复 ：text-to-image(abstract)；diffusion(abstract)；分类 cs.CV

AI总结 MagnifiQ是一种跨分辨率渐进式上采样的图像修复框架，替换扩散模型自注意力层为线性计算卷积，采用补丁文本提示，在4K图像修复中性能优于现有方法，实现速度与质量的实用权衡。

Comments Camera-ready version (ECCV workshop - LoViF'26)

RefGC-SR$^2$: Reference-guided Super-Resolution and Refinement of AI Generated Content

RefGC-SR$^2$: 参考引导的生成内容超分辨率与精炼

Jeahun Sung, Dahyeon Kye, Soo Ye Kim, Jihyong Oh

机构 * CMLab, Chung-Ang University（Chung-Ang 大学 CMLab） ； Adobe Research（Adobe 研究院） 纠错

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

AI总结 针对生成管道中参考图像下采样导致细节丢失和伪影问题，提出RefGC-SR$^2$任务，利用原始高分辨率参考图像同时恢复细节、精炼伪影并提升分辨率，构建首个真实三元组数据生成管道并设计频率感知扩散Transformer模型。

Comments The first two authors contributed equally to this work. The last two authors are co-corresponding authors. Please visit our project page at this https URL (https://cmlab-korea.github.io/RefGC-SR2/)

Edit2Restore:Few-Shot Image Restoration via Parameter-Efficient Adaptation of Pre-trained Editing Models

Edit2Restore:通过参数高效适应预训练编辑模型实现少样本图像修复

Mustafa Akın Yılmaz, Ahmet Bilican, Burak Can Biner, Ahmet Murat Tekalp

机构 * Codeway AI ； Koc University（科克大学） 纠错

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

AI总结 Edit2Restore通过参数高效微调预训练编辑模型，在少样本条件下实现多种图像修复任务，提升感知质量并减少数据需求。

Comments Accepted to the LoViF Workshop at ECCV 2026