视觉与机器人
图像生成、文生图、图像编辑、扩散模型和可控生成。
为了融入，首先解耦：通过上下文解耦表示重新思考伪装图像生成
机构 * Beihang University（北京航空航天大学） ； Geely Automobile Research Institute (Ningbo) Co., Ltd（吉利汽车研究院（宁波）有限公司）
专题命中 图像编辑 ：image generation(title,abstract)；分类 cs.CV
AI总结 研究伪装图像生成问题，提出上下文解耦生成范式CamoDreamer，通过设计对比感知上下文桥等方法，将潜在伪装特征解耦为物体和背景控制流，实验证明其显著优于现有方法且设计轻量。
Comments 14 pages, 11 figures, ACMMM 2026
在对话式图像编辑中明确隐式保留意图
机构 * Sogang University（西江大学） ； Korea University（高丽大学） ； Chung-Ang University（中央大学）
专题命中 图像编辑 ：image editing(title,abstract)；分类 cs.CV
AI总结 研究对话式图像编辑中隐式保留意图的问题，提出无需训练的ReSpec框架，通过配对恢复感知指令与历史视觉参考使隐式保留明确化，实验显示该框架提升了恢复保真度和时间一致性。
小波引导的语义信号补偿用于无反转图像编辑
机构 * School of Computer Science and Engineering, University of Electronic Science and Technology of China（电子科技大学计算机科学与工程学院）
专题命中 图像编辑 ：image editing(title,abstract)；分类 cs.CV
AI总结 针对无反转图像编辑中全局属性编辑不足的问题，提出基于小波的频率感知语义补偿策略，在生成早期增强有效信号，提升全局编辑能力同时保持背景保真度。
Comments Accepted to ECCV 2026
SpatialFlow-GRPO：空间信用驱动图像编辑
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Kuaishou Technology（快手科技）
专题命中 图像编辑 ：image editing(title,abstract)；分类 cs.CV
AI总结 提出SpatialFlow-GRPO框架，通过引入空间细粒度奖励反馈，将区域感知奖励转化为语义区域级优化信号，解决图像编辑中空间均匀性假设问题，显著提升编辑质量。
PhyEditBench: 一个用于物理感知图像编辑的真实世界多阶段基准
机构 * Nanjing University（南京大学） ； SDU（山东大学） ； HRBEU（哈尔滨工程大学） ； SDUTCM（山东中医药大学） ； USTC（中国科学技术大学）
专题命中 图像编辑 ：image editing(title,abstract)；分类 cs.CV
AI总结 提出PhyEditBench基准，通过分层分类和真实/反物理实例评估编辑模型的物理理解能力，并引入训练无关基线PhyWorld利用视频生成推理。
Comments 19 pages, 6 figures, 2 tables. Accepted to ECCV 2026
BoxCtrl: 面向几何图像编辑的3D感知视觉提示
机构 * City University of Hong Kong（香港城市大学） ； Tencent（腾讯）
专题命中 图像编辑 ：image editing(title,abstract)；分类 cs.CV
AI总结 提出BoxCtrl框架，通过投影到2D的RGB 3D边界框作为视觉提示，结合监督微调与强化学习两阶段训练，实现精确的3D几何编辑（平移、旋转、缩放等），达到最先进性能。
Comments Accepted by SIGGRAPH 2026
RS-Gen：用于推理和搜索增强图像生成的多阶段智能体框架
机构 * MiLM Plus, Xiaomi Inc.（小米公司MiLM Plus）
专题命中 图像编辑 ：image generation(title,abstract)；分类 cs.CV
AI总结 提出RS-Gen，一种即插即用、无需训练的多阶段图像智能体框架，通过“提问-解决”闭环机制进行逻辑推理和知识补全，显著提升基础图像生成与编辑模型在模糊意图和分布外知识场景下的性能。
ImageWAM：世界动作模型真的需要视频生成，还是只需要图像编辑？
机构 * Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology（东方理工学院） ； Tencent Robotics X（腾讯机器人X） ； Tsinghua University（清华大学） ； Zhongguancun Academy（中关村学院）
专题命中 图像编辑 ：image editing(title,abstract)；分类 cs.CV
AI总结 提出ImageWAM框架，利用预训练图像编辑模型替代视频生成进行机器人动作预测，通过编辑去噪的KV缓存作为世界动作上下文，在多个模拟和真实实验中优于基线，计算量降至1/6，延迟降至1/4。
Comments Project Page: https://zhangwenyao1.github.io/ImageWAM/
ProductConsistency：通过SFT和RL改进基于指令的图像编辑中的产品身份保持
机构 * Fractal Analytics
专题命中 图像编辑 ：image editing(title,abstract)；分类 cs.CV
AI总结 针对基于指令的图像编辑中产品特征保持不足的问题，提出ProductConsistency数据集和循环一致性奖励，结合监督微调与强化学习，显著提升产品一致性、文本渲染和视觉质量。
Comments CVPR HiGen 2026
文本-视觉协同指导的图像编辑
机构 * The Hong Kong Polytechnic University（香港理工大学） ； OPPO Research Institute（OPPO研究院）
专题命中 图像编辑 ：image editing(title,abstract)；分类 cs.CV
AI总结 提出TV-Edit框架，联合文本指令的语义表达与稀疏视觉指令的空间引导，实现精确且忠实于意图的图像编辑，显著优于现有方法。
SceneCraft: 基于场景图的交互式图像编辑系统
机构 * University of Science, Ho Chi Minh, Vietnam（胡志明市理科大学） ； Vietnam National University, Ho Chi Minh, Vietnam（越南国家大学胡志明市） ； University of Dayton, Dayton, Ohio, USA（代顿大学）
专题命中 图像编辑 ：image editing(title,abstract)；分类 cs.CV
AI总结 提出SceneCraft框架，通过场景图表示图像，用户直接操作图结构进行复杂编辑，自动生成精确提示，降低语言歧义，提升编辑质量和用户控制。
注意差距：诊断图像内文本编辑中的约束发现失败
专题命中 图像编辑 ：image editing(title,abstract)；分类 cs.CV
AI总结 通过图像内文本编辑的受控诊断，研究多模态模型在发现未明确指定的视觉依赖约束时的失败，发现模型仅能自行发现46%的约束，而明确提供时可达94%。
单轮与多轮指令式图像编辑的广泛基准
机构 * Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（厦门大学多媒体可信感知与高效计算教育部重点实验室） ； National University of Singapore（新加坡国立大学）
专题命中 图像编辑 ：image editing(title,abstract)；分类 cs.CV
AI总结 提出I2EBench2.0基准，通过16个单轮和7个多轮维度评估指令式图像编辑模型，结合用户研究确保与人类判断一致，并基于八种模型分析提供研究指导。
Comments Accepted by International Journal of Computer Vision (IJCV), 2026
自适应推理时间缩放：基于早期步骤潜在验证的图像编辑
机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Microsoft Research Asia（微软亚洲研究院） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究所）
专题命中 图像编辑 ：image editing(title,abstract)；分类 cs.CV
AI总结 提出VeriLatent框架，通过早期步骤潜在空间编辑激活图验证初始噪声，实现自适应推理时间缩放，提升图像编辑质量和效率。
通过ChordEdit重新思考一步图像编辑：复现、简化与新见解
机构 * Harvard AI and Robotics Lab（哈佛人工智能与机器人实验室）
专题命中 图像编辑 ：image editing(title,abstract)；分类 cs.CV
AI总结 本文通过复现、消融和简化ChordEdit，揭示其机制：和弦窗口作为时间步偏移，和弦传输执行低频语义编辑，近端对齐补充高频细节，从而将编辑分解为粗低频传输和细高频对齐两个阶段，为自适应编辑提供新路径。
Comments 9 pages
IEA：通过三阶段多任务对齐的业余友好型对话式图像编辑代理
机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Innovation Institution（上海创新研究院） ； Huawei Technologies Ltd.（华为技术有限公司） ； Nanyang Technological University（南洋理工大学） ； Jiangsu Key Lab of Language Computing（江苏省语言计算重点实验室）
专题命中 图像编辑 ：image editing(title,abstract)；分类 cs.CV
AI总结 提出IEA对话式图像编辑代理，通过三阶段多任务训练学习操作参数化工具，实现可解释编辑轨迹，在像素距离和ROUGE-L指标上优于基线，用户研究中指令跟随和感知质量表现最佳。
Comments [CVPR 2026 Findings] Our data and code are released at https://github.com/OpenDFM/Image_Edit_Agent
MIRAGE: 通过虚假审核保护图像免受恶意编辑
专题命中 图像编辑 ：image editing(title,abstract)
AI总结 提出MIRAGE方法，通过对抗性扰动使审核分类器将图像标记为违规，从而阻止AI图像编辑，无需模型权重或提示，在商业API上成功率超88%。
UniSpace：统一视觉表示与可扩展多模态建模
机构 * Meituan（美团）
专题命中 图像编辑 ：image generation(abstract)；text-to-image(abstract)；image editing(abstract)；分类 cs.CV
AI总结 本文提出 UniSpace，通过 Patch Reparameterization 改进语义 ViT，构建 80 亿参数的 Transformer 专家混合模型，实现同一视觉空间内的理解、生成与编辑，提升重建效果，支持文本到图像生成和指令式图像编辑。
VETO：面向保护图像免受前沿AI编辑的侵害
专题命中 图像编辑 ：text-to-image(abstract)；diffusion(abstract)；image synthesis(abstract)；分类 cs.CV
AI总结 针对前沿AI图像编辑模型的滥用问题，提出抗编辑伪装VETO，引入评估基准VetoBench，实验显示其在保护与保真度权衡上优于现有防御。
DisciplineGen-1M：用于多学科视觉生成与编辑的大规模数据集
机构 * Shanghai Jiao Tong University（上海交通大学） ； South China University of Technology（华南理工大学） ； Xiamen University（厦门大学） ； University of Science and Technology of China（中国科学技术大学）
专题命中 图像编辑 ：image generation(abstract)；text-to-image(abstract)；image editing(abstract)；分类 cs.CV
AI总结 提出百万级多学科数据集DisciplineGen-1M，涵盖10个学科，通过可扩展框架构建，并基于此开发学科感知推理生成模型，在学科和通用推理基准上显著提升。
统一多模态自回归建模：共享上下文-视觉分词器是实现统一的关键
机构 * Institute of Trustworthy Embodied AI, Fudan University（可信具身AI研究院，复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Qwen Team, Alibaba Inc.（通义实验室，阿里公司）
专题命中 图像编辑 ：image generation(abstract)；diffusion(abstract)；image editing(abstract)；分类 cs.CV
AI总结 提出UniAR框架，通过单一离散视觉分词器桥接视觉理解与生成，采用并行位预测和扩散解码，在图像生成和编辑上达到最优，同时保持多模态理解竞争力。
Comments ICML2026. Project page https://sharelab-sii.github.io/uniar-web
小米机器人-U0：基于世界基础模型的统一具身合成
机构 * Xiaomi Robotics（小米机器人）
专题命中 图像编辑 ：image generation(abstract)；text-to-image(abstract)；image editing(abstract)
AI总结 研究针对基础模型应用于具身场景受限问题，提出小米机器人-U0多模态自回归模型，将具身生成扩展为基础图像和视频生成的形式，联合优化多种生成任务，在多方面取得领先成果，证明基础世界模型可用于具身智能。
面向智能体图像编辑的领域 grounded 候选选择：以阴影去除为例
机构 * Stony Brook University（石溪大学） ； UNC Charlotte（北卡罗来纳大学夏洛特分校）
专题命中 图像编辑 ：image editing(title)；分类 cs.CV
AI总结 该研究以阴影去除为例，提出领域 grounded 的智能体候选选择流程，结合物理原理约束商用视觉-语言模型的生成，在 ShadowRemovalRefine 基准上使 CDD 降低至少 47%，证明经典低级视觉先验仍具实用价值。
图像编辑模型是数值求解器
机构 * Tel Aviv University（特拉维夫大学）
专题命中 图像编辑 ：image editing(title)；分类 cs.CV
AI总结 研究预训练生成式图像编辑模型能否为数值模拟提供通用接口，通过既定求解器监督，将相同架构和协议应用于多种方程，结果显示该模型可表示多样物理映射，还识别了相关基本约束。
面向卫星图像篡改与深度伪造定位的基准数据集
机构 * Oak Ridge National Laboratory（橡树岭国家实验室）
专题命中 图像编辑 ：diffusion(abstract)；inpainting(abstract)；分类 cs.CV
AI总结 针对遥感领域缺乏合适卫星图像篡改定位基准数据集的问题，构建含60张图像的原型数据集，支持像素级定位等分析，以推动相关研究。
Comments Accepted at IEEE IGARSS 2026
STBridge：用于在统一多模态模型中弥合理解与生成的共享目标对齐
专题命中 图像编辑 ：image generation(abstract)；image editing(abstract)；分类 cs.CV
AI总结 研究统一多模态模型中理解与生成的对齐差距，提出STBridge共享目标对齐框架，通过共同目标状态连接二者，采用对齐然后优化策略，经实验验证该框架能缩小模型描述与生成间差距，有效弥合理解与生成。
让 RGB 成为视觉的语言
机构 * Johns Hopkins University（约翰·霍普金斯大学） ； UC Santa Cruz（加州大学圣克鲁兹分校） ； Carnegie Mellon University（卡内基梅隆大学） ； Rice University（莱斯大学）
专题命中 图像编辑 ：image generation(abstract)；image editing(abstract)；分类 cs.CV
AI总结 该研究为视觉模型引入统一表述 RGB In and RGB Out（RINO），将多种视觉信息转为 RGB 图像编辑问题，共享架构参数，基于通用主干无需微调，在多视觉任务上有强大零样本性能，为统一视觉语言系统提供见解。
MindAU: 基于双流流形对齐的脑电条件面部动作单元编辑
机构 * Binghamton University（宾汉姆顿大学） ； Massachusetts General Hospital（马萨诸塞综合医院） ； Harvard Medical School（哈佛医学院）
专题命中 图像编辑 ：diffusion(abstract)；image editing(abstract)；分类 cs.CV
AI总结 提出MindAU框架，通过双流流形对齐将EEG特征与AU文本语义和视觉位移对齐，实现高保真身份保持的面部动作单元编辑。
一次性编辑所有内容
机构 * University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学） ； ETH Zurich（苏黎世联邦理工学院） ； Google（谷歌）
专题命中 图像编辑 ：diffusion(abstract)；image editing(abstract)；分类 cs.CV
AI总结 提出MICE方法，通过修改联合注意力机制中的加性偏置来调控多实例编辑中的交互，实现无需训练的多实例图像编辑，在保持全局一致性的同时增强属性绑定。
Comments Accepted at ECCV 2026
S1-Omni-Image：面向科学图像理解、生成与编辑的统一模型
机构 * XScience Lab（XScience实验室） ； Wenge AI（文阁人工智能）
专题命中 图像编辑 ：image generation(abstract)；image editing(abstract)；分类 cs.CV
AI总结 提出S1-Omni-Image，基于S1-VL-32B和“先思考后生成”范式，统一实现科学图像的理解、生成与编辑，在多个基准上达到领先性能。
Comments 32 pages, 15 figures
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈