图像生成

Learning How the World Evolves: Extrapolative Video World Models via Latent Dynamics Reasoning

学习世界如何演化：基于潜动态推理的外推视频世界模型

Haodong Li, Shaoteng Liu, Tianyu Wang, Chongjian Ge, Sihui Ji, Jiahan Zhang, Xin Lin, Haolin Lu, Zhe Lin, Manmohan Chandraker

机构 * UCSD（加利福尼亚大学圣迭戈分校） ； Adobe（奥多比公司） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 针对主流视频扩散模型未建模像素时间转换的问题，提出LDR方法，在PhyWorld基准上实现更优动态外推，参数更少、速度更快，是首个能泛化至训练分布外的视频世界模型

Comments Project page: https://lat-dyn-reason.github.io/

Diffuse the object, keep its label: curating detector training data from a few unlabeled photographs via VLM-built 3D vegetation scenes

扩散目标，保留其标签：通过VLM构建的3D植被场景从少量未标记照片中整理检测器训练数据

Mario Malizia, Marnix Enting, Rob Haelterman, Ken Hasselmann

机构 * Royal Military Academy（皇家军事学院） ； KU Leuven（鲁汶大学） ； Flanders Make（佛兰德制造研究院） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 本研究针对植被中小物体标记图像稀缺导致检测器跨站点泛化差的问题，通过VLM构建3D植被场景合成标记训练图像，实现无监督站点适应，在排雷基准上性能优于传统跨站点标签复用。

Comments Accepted at the Curated Data for Efficient Learning (CDEL) Workshop @ ECCV 2026

You Only Flow Once: Calibrated and Real-Time Radar Pose Estimation with Multi-Hypothesis Normalizing Flows

仅一次流：基于多假设归一化流的校准且实时雷达位姿估计

Jonas Leo Mueller, Sebastian Hoefler, Dario Zanca, Naga Venkata Sai Jitin Jami, Thomas Altstidl, Bjoern M. Eskofier

机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃尔兰根-纽伦堡大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心） ； LMU München（慕尼黑大学） ； Helmholtz Zentrum München（慕尼黑亥姆霍兹中心） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 该研究针对雷达位姿估计的歧义问题，提出MH-NFPG方法，结合时空Transformer与归一化流，实现高效实时的校准位姿估计，性能优于扩散模型。

Comments Accepted at the Winter Conference on Applications of Computer Vision (WACV) 2027

GeoRoute: Geometry-Aware Hybrid Inference for Traffic Future-Frame Prediction

GeoRoute：面向交通未来帧预测的几何感知混合推理方法

Khang Minh Le, Hieu Dinh Trung Pham, Luu Thanh Danh, Nam-Tien Le, Hieu Anh Ngo, Phuong Huu Vu Tran, Son Nguyen Minh Le, Nguyen Trong Nghia, Tu Tran Thi Cam, Huy Minh Nhat Nguyen, Cuong Tuan Nguyen

机构 * Vietnamese-German University（越南-德国大学） ； University of Science, Ho Chi Minh City（胡志明市科学大学） ； Ho Chi Minh City University of Technology（胡志明市技术大学） ； University of Information Technology, Ho Chi Minh City（胡志明市信息技术大学） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 GeoRoute是一种无需训练的几何感知混合推理框架，通过多帧深度分层渲染器和视角条件选择预测器，在AI City Challenge Track 5基准上实现了具有竞争力的交通未来帧预测性能，提升了静态几何稳定性。

Comments accepted to the ECCV 2026 AI City Challenge Workshop

Wiener Representation Filtering for VLM Hallucination Suppression

用于抑制视觉语言模型幻觉的维纳表示滤波

Ameen Ali, Tamim Zoabi, Lidor Brami, Lior Wolf

机构 * Tel Aviv University（特拉维夫大学） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 该研究提出一种无需训练的事后维纳表示滤波技术，通过离线校准校正视觉语言模型深层前馈输出投影，可在保持运行速度的同时降低其对象幻觉，在多类模型及基准上均验证了有效性与通用性。

Staying True to the Origin: Continuous Image Stylization with Smooth Transitions

忠于本源：具有平滑过渡的连续图像风格化

Rui Xu, Hanmo Zhang, Songhua Liu

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 该研究针对图像风格化的内容保留与过渡问题，提出两阶段训练策略及风格强度感知样条插值方法，让基于DiT的模型实现精确连续的风格强度控制，生成高保真结果。

Comments 14 pages, 12 figures

LHSDet: High-Resolution AI-Generated Image Detection via Visual Question Answering

LHSDet：基于视觉问答的高分辨率AI生成图像检测方法

Qian Yao, Jun-Jie Huang, Yongjun Wang, Luming Yang

机构 * College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机学院） ； Academy of Military Science（军事科学院） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 针对现有AI生成图像检测方法忽略高分辨率细节、难以应对未知生成模型的问题，提出LHSDet，将检测任务转为视觉问答，采用三分支架构，在各类生成模型上实现高检测准确率与稳健性能。

AtlasVLA: Persistent World-Ego State Modeling for Vision-Language-Action Models

AtlasVLA：面向视觉-语言-动作模型的持久化世界-自我状态建模

Guiyu Zhao, Longteng Guo, Yanghong Mei, Zilin Zhu, Yu Zhang, Bin Cao, Mingming Yu, Xingjian He, Jie Jiang, Jing Liu

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 AtlasVLA是一种新型VLA模型框架，通过双记忆架构实现持久化世界-自我状态建模，在仅用腕部单目相机的情况下，在LIBERO等基准及真实世界长时序任务中性能超越多视图基线。

PRISM: Distribution-Gated Flow Matching for Controllable Unpaired Image Translation

PRISM：用于可控非配对图像翻译的分布门控流匹配

Elad Yoshai, Natan T. Shaked

机构 * Tel Aviv University（特拉维夫大学） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 PRISM是一种无GAN的流匹配框架，通过分布门控实现可控非配对图像翻译，在5个自然与生物医学基准上，其在多数任务的Inception FID、KID及组织病理学细胞核计数比上表现优异，平衡了目标逼真度与结构保留。

KVAE: Family of Tokenizers for Multimodal Generative Models

KVAE：用于多模态生成模型的分词器家族

Andrey Shutkin, Denis Parkhomenko, Ivan Kirillov, Kirill Chernyshev, Kirill Malakhov, Ilia Vasiliev, Ilia Trushkin, Valeriya Kobenko, David Chikovani, Alexander Ivanov, Azat Saginbaev, Egor Silvestrov, Ivan Mikheev, Konstantin Zakharov

机构 * Kandinsky Lab（坎丁斯基实验室） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 本研究提出用于多模态生成模型的KVAE分词器家族，含音频、图像、视频专用型号，性能优于多款前沿开源分词器，公开了训练细节与代码。

Vorch-Director: Interactive World Story Model via Noise-Aware Error Rectification

Vorch-Director：基于噪声感知误差校正的交互式世界故事模型

Lisai Zhang, Yidi Wu, Qi Liu, Xin Ma, Yang Ding, Gang Yue, Siqian Yang, Jingyuan Chen, Lin Ma, Yaohui Wang

机构 * Vorch Team（Vorch团队） ； Zhejiang University（浙江大学） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 Vorch-Director是一种噪声感知残差校正策略，基于LTX-2扩散Transformer，可提升视听长视频生成的稳定性与保真度，支持多镜头、多主体的参考引导生成。

Comments Project page: https://vorch-project.github.io/Vorch-Director-project

Dual-Output Multi-Exposure HDR Reconstruction via SDR Fusion and Gain Map Inverse Tone Mapping

通过SDR融合与增益图逆色调映射实现双输出多曝光HDR重建

Jinho Kim, Jinwoo Kim, Seon Joo Kim

机构 * Yonsei University（延世大学） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 该研究提出DOME-HDR框架，通过LoRA适配的潜在扩散模型与双交叉注意力融合模块生成SDR，结合HPGM网络预测增益图实现多曝光HDR重建，在多个数据集上达到最优性能。

Comments Accepted to ECCV 2026

Hierarchical Flow Matching for 3D Point Cloud Generation

用于三维点云生成的分层流匹配

Linhao Wang, Qichang Zhang, Ye Su, Hao Wang

机构 * Shandong Normal University（山东师范大学） ； University of Macau（澳门大学） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 针对现有三维点云生成方法的缺陷，提出分层流匹配（HFM），将流匹配扩展为双级结构，在ShapeNet等基准上实现了有竞争力的生成性能。

MOSAIK: Multi-Patch Content-Aware Spatial Allocation of Image Tokens for Efficient Generation

MOSAIK：用于高效生成的图像令牌多补丁内容感知空间分配

Mohammadreza Hami, Mohammadreza Samadi, Chao Gao, Negar Hassanpour

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 MOSAIK是一种损伤引导的异构补丁布局框架，适配PixelDiT骨干，通过区域分配补丁大小，在大幅降低计算量和令牌数的同时，保持与全计算PixelDiT相当的生成性能，且在高计算约束下优于其他效率方法。

Engram-E2VID: Reference-Based Event-to-Video Reconstruction via Generative Activation of Appearance Engrams

Engram-E2VID：基于外观印迹生成激活的参考式事件到视频重建方法

Feiyu Ji, Xiang Li, Hao Ma, Tianxiang Huang, Qingxin Lu, Mengqi Ji, Lei Han, Xiaokang Yang, Xiaoyun Yuan

机构 * Shanghai Jiao Tong University（上海交通大学） ； Beihang University（北京航空航天大学） ； DISCOVER Robotics（DISCOVER机器人公司） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 本研究提出Engram-E2VID框架，通过外观印迹生成激活实现参考式事件到视频重建，在三个基准测试中PSNR最高提升3.29 dB、LPIPS最高降低0.08，性能随重建间隔增加下降更慢。

Comments 9 pages, 5 figures

A Foundational EDM2-Based Generative Model for High-Resolution Synthetic Fetal Ultrasound Imaging from Open Datasets

基于EDM2的高分辨率合成胎儿超声成像基础生成模型，源自开放数据集

Harvey Mannering, Yilin Zhang, Ziao Liu, Zhiwu Huang, Jacqueline Matthew, Miguel Xochicale

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 该研究针对胎儿超声AI数据稀缺问题，提出基于EDM2的合成框架，生成512×512图像，在分类任务中准确率达93.36%，优于真实数据训练结果，为胎儿超声AI提供开放资源。

Comments Short paper for the 30th Conference on Medical Image Understanding and Analysis

Visual Representation Matters: Exploiting Temporal Differences in Video-to-Audio Generation

视觉表示很重要：利用视频到音频生成中的时间差异

Zehua Chen, Junyou Wang, Yuxuan Jiang, Zhenying Fang, Yusheng Dai, Jianfei Chen, Ziwei Liu, Jun Zhu

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 针对现有基于条件扩散的视频到音频（V2A）生成方法需额外网络或强归纳偏置的问题，提出TD-V2A框架，利用时间差异（TD）增强视觉条件，提升了V2A生成质量。

Rethinking Pixel Mean Flows via Interval Denoiser

通过区间去噪器重新思考像素均值流

Alexander Zaytsev, Dmitry Baranchuk, Alexander Korotin, Aibek Alanov

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 针对扩散与流模型的计算及重建瓶颈，提出Interval Denoiser框架，经训练在ImageNet 256x256上实现少步生成的低FID值，提升了少步生成性能。

VoxStruct3D: Structure-Leading Flow Matching for Voxel-Space 3D MRI Synthesis

VoxStruct3D：用于体素空间3D MRI合成的结构引导流匹配方法

Fang Li, Yang Gao, Shihao Zou, Weixin Si, Hongyu Wu, Qing Xia, Shuai Li, Aimin Hao

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 本文提出VoxStruct3D，一种体素空间流匹配框架，通过结构优先策略引导，在T1加权脑MRI合成任务上实现了特征分布对齐、样本多样性等指标的最优性能，生成的体积解剖连贯且视觉真实。

Comments Project page: https://neesky.github.io/VoxStruct3D/

GVCCTurbo: Rate-Compute Quality Scheduling for Codebook Driven Generative Compression

GVCCTurbo：基于码本驱动生成压缩的码率-计算量质量调度

Ziyue Zeng, Dingjie Peng, Xun Su, Hiroshi Watanabe

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 GVCCTurbo是一种BPP驱动的调度器，分离生成压缩的先验刷新与码本校正，降低解码时间，在低码率下提升压缩性能且兼容多种生成压缩模型。

HyperbolicDiffusion: Sharp & Scalable Tiled Generation on the Hyperbolic Plane

HyperbolicDiffusion：双曲平面上的清晰且可扩展的平铺生成

Hugo Caselles-Dupré

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 该研究提出无需训练的HyperbolicDiffusion方法，通过Hyperbolic Blooming Cover与几何修复阶段，在双曲平面H²上生成清晰、可重投影且跨视点一致的视觉场，为埃舍尔《圆极限》系列提供生成对应物。

Comments Work in progress. Updated version incoming

Bridging Online and Offline Handwriting via Differentiable Physical Rendering

通过可微物理渲染连接在线与离线手写文字

Seonmi Park, Seunghyun Shin, Vihaan Misra, Dongmin Shin, Ukcheol Shin, Jean Oh, Hae-Gon Jeon

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 该研究提出统一在线-离线手写生成框架，通过物理画笔模型与可微渲染模块解决两类手写生成范式的缺陷，经实验验证实现了结构与视觉保真度。

Comments Accepted at ECCV 2026, Project page: https://seonmip.github.io/onoff

CAPE-T2V: Captioner-Anchored Prompt Enhancement toward Two-Sided Conditioning Alignment in Text-to-Video Generation

CAPE-T2V：面向文本到视频生成中双侧条件对齐的以字幕生成器为锚点的提示增强方法

Yizhuo Jia, Jingyun Hua, Yuanxing Zhang

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 该研究针对文本到视频生成中存在的PE-字幕 gap，提出CAPE-T2V框架，通过两步微调PE与DiT，在多个基准数据集上实现了更高的生成综合得分，有效缩小了训练与推理间的条件不匹配。

Comments Includes appendix; 11 figures. Project page: https://github.com/yizzz927/CAPE-T2V

Protocol generalisation for brain tissue microstructure estimation via hypernetwork-controlled geometric deep learning

基于超网络控制的几何深度学习的脑组织微结构估计的协议泛化

Andrea Brigliadori, Leevi Kerkela, Hui Zhang

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 本文提出一种融入b-值依赖的超网络控制SCNN架构，实现b-值与b-向量泛化及旋转等变性，提升了脑组织微结构估计的鲁棒性与临床适用性。

GSRAIN: Physically Calibrated High-/Low-Frequency Rainfall Synthesis for 3D Gaussian Driving Scenes

GSRAIN：面向3D高斯溅射（3DGS）驾驶场景的物理校准高低频降雨合成方法

Fanyu Wang, Longgao Zhang, Junyi Chen

机构 * College of Automotive and Energy Engineering, Tongji University（同济大学汽车与能源工程学院） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 GSRAIN针对自动驾驶降雨模拟的物理可控性与多视图一致性局限，结合实测数据与几何感知扩散模型生成可控降雨场景，在FID指标上优于现有方法，可用于自动驾驶算法的雨天测试。

SPARE: Structural Parameter-Free Affinity Regularization for Flow Matching

SPARE：用于流匹配的无结构参数亲和力正则化

Zong-Wei Hong, Jinglun Li, Shen Zhang, Yuhan Liu, Linze Li, Yao Tang

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 针对去噪扩散Transformer训练收敛慢的问题，提出无结构参数亲和力正则化SPARE，利用跨图像标记对的结构实现正则化，在ImageNet数据集上取得优异生成性能，内存开销极小。

Comments Preprint

GeoCore-9B: Towards Geo-Aware Generative Foundation Models in Earth Observation

GeoCore-9B：面向地球观测的地理感知生成基础模型

Jeonghyeok Do, Munchurl Kim

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 本文针对现有EO生成模型的地理空间约束冲突问题，推出90亿参数的GeoCore-9B，采用Flow Matching的DiT与地理空间元数据条件生成，结合地理空间语义对齐损失，在多项EO任务上实现最优性能。

Comments Please visit our project page at https://kaist-viclab.github.io/GeoCore-9B_site/

LiveLight: Real-time Streaming Video Relighting with Interactive Control

LiveLight：具备交互式控制的实时流视频重光照

Yue Ma, Jiangming Wang, Yucheng Wang, Xilai Wang, Zhiyuan Li, Xinyu Wang, Hongyu Liu, Ruofan Liang, Songchun Zhang, Yuxuan Xue, Qifeng Chen

机构 * HKUST（香港科技大学） ； University of Macau（澳门大学） ； THU（清华大学） ； UoT（多伦多大学） ； University of Tuebingen（蒂宾根大学） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 本研究提出首个基于扩散模型的实时流视频重光照框架LiveLight，通过三项关键设计解决三大挑战，在实时速度下达到最优重光照质量，将公开发布相关资源以推动该领域研究。

Comments Accepted by TOG 2026. Project page: https://living-lighting.github.io

SPAE: Spectrally Guided Autoencoder for Pretrained Visual Latents

SPAE：用于预训练视觉隐层的频谱引导自编码器

Yibin Huang, Jixiang Hong, Zongzhao Li, Yuhan Dai, Zhibin Wang, Chunwei Wang, Jun Song, Chen Wang, Xiaofei Sun, Xiaoxiao Xu, Conghui Zhu

机构 * Alibaba Group（阿里巴巴集团） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） 纠错

专题命中 扩散模型 ：image generation(abstract)；分类 cs.CV

AI总结 针对DiT生成隐层与编码器隐层的频谱不匹配问题，提出SPAE框架，通过紧凑瓶颈结构与通道级掩码策略实现隐层适配，在视觉理解、生成质量与重建保真度间取得良好平衡。

LeapTalk: Breaking the Latency-Quality Trade-off in Talking Head Generation

LeapTalk：打破说话头生成中的延迟-质量权衡

Rongxiang Zhang, Songhua Liu

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 LeapTalk是一种新型说话头生成框架，通过单步前向传播结合数据到数据传输、异质蒸馏与音频驱动无分类器引导，实现了200 FPS的稳定实时生成，打破了延迟-质量权衡。