图像生成

MRIQT: Physics-Aware Diffusion Model for Image Quality Transfer in Neonatal Ultra-Low-Field MRI

MRIQT：面向新生儿超低场MRI的物理感知扩散模型用于图像质量迁移

Malek Al Abed, Sebiha Demir, Anne Groteklaes, Elodie Germani, Shahrooz Faghihroohi, Hemmen Sabir, Shadi Albarqouni

机构 * University of Bonn（波恩大学） ； University Hospital Bonn（波恩大学医院） ； Technical University of Munich（慕尼黑技术大学） ； Université de Rennes（雷恩大学） 纠错

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

AI总结 MRIQT通过物理感知的扩散模型实现新生儿超低场MRI到高场MRI的图像质量迁移，提升诊断准确性与病理可视化效果。

Comments 5 pages, 4 figures

NAMI: Efficient Image Generation via Bridged Progressive Rectified Flow Transformers

NAMI: 通过桥接渐进修正流变压器实现高效的图像生成

Yuhang Ma, Bo Cheng, Shanyuan Liu, Hongyi Zhou, Liebucha Wu, Dawei Leng, Yuhui Yin

机构 * AI Research（360人工智能研究院） ； Tsinghua University（清华大学） 纠错

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

AI总结 NAMI通过桥接渐进修正流变压器实现高效图像生成，减少推理时间64%，并提升多分辨率训练效率。

AuthFace: Towards Authentic Blind Face Restoration with Face-oriented Generative Diffusion Prior

AuthFace: 向真实盲脸修复迈进的面向面部生成扩散先验

Guoqiang Liang, Qingnan Fan, Bingtao Fu, Jinwei Chen, Hong Gu, Lin Wang

机构 * Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； vivo Mobile Communication Co., Ltd（vivo移动通信有限公司） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 AuthFace通过面向面部的生成扩散先验和摄影引导标注，实现高质量盲脸修复，提升面部细节还原和减少关键区域伪影。

Comments ACM MM 25, Codes and datasets are available at https://github.com/EthanLiang99/AuthFace

Diff-ES: Stage-wise Structural Diffusion Pruning via Evolutionary Search

Diff-ES: 通过进化搜索实现阶段式结构扩散剪枝

Zongfang Liu, Shengkun Tang, Zongliang Wu, Xin Yuan, Zhiqiang Shen

机构 * Zhejiang University（浙江大学） ； Westlake University（西湖大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） 纠错

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

AI总结 Diff-ES通过进化搜索优化阶段式结构化剪枝，实现高效且高质量的扩散模型压缩。

Parallel Diffusion Solver via Residual Dirichlet Policy Optimization

并行扩散求解器 via 剩余狄利克雷策略优化

Ruoyu Wang, Ziyu Li, Beier Zhu, Liangyu Yuan, Hanwang Zhang, Xun Yang, Xiaojun Chang, Chi Zhang

机构 * AGI lab, Westlake University（西溪大学AGI实验室） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nanyang Technological University（南洋理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本文提出EPD-Solver，通过并行梯度评估和狄利克雷策略优化，提升扩散模型的低延迟采样性能。

Comments arXiv admin note: substantial text overlap with arXiv:2507.14797

Tuning Just Enough: Lightweight Backdoor Attacks on Multi-Encoder Diffusion Models

适度调优：针对多编码扩散模型的轻量级后门攻击

Ziyuan Chen, Yujin Jeong, Tobias Braun, Anna Rohrbach

机构 * Computer Science Department, TU Darmstadt, Germany（图恩大学计算机科学系） ； Hessian Center for Artificial Intelligence (hessian.AI), Darmstadt, Germany（海德堡人工智能中心） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 针对多编码扩散模型的轻量级后门攻击研究，通过仅调优少量参数实现有效攻击，揭示多编码器设置下的新漏洞。

Stochastic Self-Guidance for Training-Free Enhancement of Diffusion Models

扩散模型训练无关增强的随机自引导

Chubin Chen, Jiashu Zhu, Xiaokun Feng, Nisha Huang, Chen Zhu, Meiqi Wu, Fangyuan Mao, Jiahong Wu, Xiangxiang Chu, Xiu Li

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本文提出S$^2$-Guidance方法，通过随机块丢弃构建子网络，提升扩散模型在文本到图像和视频生成任务中的性能。

Comments Accepted by ICLR 2026

Catch Me If You Can Describe Me: Open-Vocabulary Camouflaged Instance Segmentation with Diffusion

捕捉我如果你能描述我：基于扩散的开放词汇伪装实例分割

Tuan-Anh Vu, Duc Thanh Nguyen, Qing Guo, Nhat Chung, Binh-Son Hua, Ivor W. Tsang, Sai-Kit Yeung

机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； CFAR & IHPC, A*STAR（CFAR与IHPC，A*STAR） ； Deakin University（德克萨斯大学） ； Nankai University（南开大学） ； National University of Singapore（新加坡国立大学） ； Trinity College Dublin（都柏林大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本文提出基于扩散模型的开放词汇伪装实例分割方法，通过多尺度文本-视觉特征学习，提升伪装对象和新类别分割的性能。

Comments Accepted to IJCV 2026

Evolutionary Caching to Accelerate Your Off-the-Shelf Diffusion Model

进化缓存加速现成扩散模型

Anirud Aggarwal, Abhinav Shrivastava, Matthew Gwilliam

机构 * University of Maryland, College Park（马里兰大学学院公园分校） 纠错

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

AI总结 ECAD通过遗传算法学习高效缓存策略，显著提升扩散模型推理速度并优化质量-延迟平衡。

Comments 39 pages, 29 figures, 15 tables. Accepted at ICLR 2026. Project page and code: https://research.aniaggarwal.com/ecad

Align-cDAE: Alzheimer's Disease Progression Modeling with Attention-Aligned Conditional Diffusion Auto-Encoder

Align-cDAE: 利用注意力对齐的条件扩散自编码器进行阿尔茨海默病进展建模

Ayantika Das, Keerthi Ram, Mohanasankar Sivaprakasam

机构 * Department of Electrical Engineering, Indian Institute of Technology Madras, Chennai, India（电子工程系，印度理工学院马德拉斯，钦奈，印度） ； Sudha Gopalakrishnan Brain Centre, Indian Institute of Technology Madras, Chennai, India（苏达·戈帕拉克里希南脑中心，印度理工学院马德拉斯，钦奈，印度） ； Department of Electrical Engineering, Indian Institute of Technology Madras Chennai, India（电子工程系，印度理工学院马德拉斯钦奈，印度） 纠错

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

AI总结 Align-cDAE通过引入注意力对齐和结构化潜在空间，提升扩散自编码器在阿尔茨海默病进展建模中的精度和可控性。

HierarchicalPrune: Position-Aware Compression for Large-Scale Diffusion Models

分层剪枝：面向大规模扩散模型的位置感知压缩

Young D. Kwon, Rui Li, Sijia Li, Da Li, Sourav Bhattacharya, Stylianos I. Venieris

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 HierarchicalPrune通过分层位置剪枝、位置权重保护和敏感度引导的知识蒸馏，实现大规模扩散模型的高效压缩，减少内存占用和延迟，同时保持图像质量。

Comments Accepted at AAAI 2026 (Main Technical Track)

SPEED: Scalable, Precise, and Efficient Concept Erasure for Diffusion Models

SPEED：可扩展、精确和高效的扩散模型概念擦除

Ouxiang Li, Yuan Wang, Xinting Hu, Houcheng Jiang, Yanbin Hao, Fuli Feng

机构 * University of Science and Technology of China（中国科学技术大学） ； Hefei University of Technology（合肥工业大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 SPEED通过直接编辑模型参数，高效精准地擦除扩散模型中的多个概念，同时保护非目标概念的质量。

Comments Accepted to ICLR 2026

Polarization Uncertainty-Guided Diffusion Model for Color Polarization Image Demosaicking

极化不确定性引导的扩散模型用于颜色极化图像重建

Chenggong Li, Yidong Luo, Junchao Zhang, Degui Yang

机构 * footnotemark: 1（机构1） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本文提出了一种极化不确定性引导的扩散模型，用于提高颜色极化图像重建的精度和视觉效果。

Comments Accepted to AAAI2026

Identifying Memorization of Diffusion Models through $p$-Laplace Analysis: Estimators, Bounds and Applications

通过p-拉普拉斯分析识别扩散模型的记忆化：估计器、界限与应用

Jonathan Brokman, Itay Gershon, Amit Giloni, Omer Hofman, Roman Vainshtein, Hisashi Kojima, Guy Gilboa

机构 * Electrical and Computer Engineering（电子工程系） ； Technion（技术学院） ； Fujitsu Research of Europe（富士通欧洲研究部） ； Fujitsu Research（富士通研究） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本文通过p-拉普拉斯分析提出方法，用于识别扩散模型中的记忆化训练数据，并在文本到图像生成中首次展示其有效性。

Comments This manuscript is a substantially extended version of our SSVM 2025 paper, including significant new theoretical results and additional experiments. It is currently under review as a journal submission

TRACE: Your Diffusion Model is Secretly an Instance Edge Detector

TRACE：你的扩散模型实际上是一个实例边缘检测器

Sanghyun Jo, Ziseok Lee, Wooyeol Lee, Jonghyun Choi, Jaesik Park, Kyungsu Kim

机构 * OGQ, Seoul, Korea（韩国首尔OGQ） ； Seoul National University, Seoul, Korea（韩国首尔国立大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 TRACE通过扩散模型的实例边缘检测技术，在无监督和弱监督分割中实现更高效和精确的边界生成。

Comments Accepted to ICLR 2026 (Oral)

RelA-Diffusion: Relativistic Adversarial Diffusion for Multi-Tracer PET Synthesis from Multi-Sequence MRI

RelA-Diffusion：相对对抗扩散用于多示踪剂PET合成从多序列MRI

Minhui Yu, Yongheng Sun, David S. Lalush, Jason P Mihalik, Pew-Thian Yap, Mingxia Liu

机构 * Department of Radiology and Biomedical Research Imaging Center (BRIC), University of North Carolina at Chapel Hill（放射科与生物医学研究成像中心（BRIC）、北卡罗来纳大学教堂山分校） ； Joint Department of Biomedical Engineering, University of North Carolina at Chapel Hill and North Carolina State University（生物医学工程联合部门、北卡罗来纳大学教堂山分校和北卡罗来纳州立大学） ； Department of Exercise and Sport Science, UNC-CH（运动与体育科学系、UNC-CH） 纠错

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

AI总结 RelA-Diffusion通过相对对抗扩散框架，利用多序列MRI合成多示踪剂PET，提升合成图像的保真度和病理细节表现。

Pluggable Pruning with Contiguous Layer Distillation for Diffusion Transformers

可插拔剪枝与连续层蒸馏用于扩散变换器

Jian Ma, Qirong Peng, Xujie Zhu, Peixing Xie, Chen Chen, Haonan Lu

机构 * OPPO AI Center（OPPO人工智能中心） ； Sun Yat-sen University（中山大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

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

AI总结 本研究提出PPCL方法，通过连续层蒸馏和灵活剪枝技术，在保持图像生成质量的同时实现50%的参数压缩，适用于资源受限环境。

Comments Accepted to CVPR 2026

HDR Reconstruction Boosting with Training-Free and Exposure-Consistent Diffusion

通过无训练和曝光一致的扩散实现HDR重建增强

Yo-Tin Lin, Su-Kai Chen, Hou-Ning Hu, Yen-Yu Lin, Yu-Lun Liu

机构 * National Yang Ming Chiao Tung University（国家阳明交通大学） ； MediaTek Inc.（联发科公司） 纠错

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

AI总结 通过无训练和曝光一致的扩散技术提升HDR重建效果，增强过曝区域的图像质量并保持多曝光一致性。

Comments WACV 2026. Project page: https://github.com/EusdenLin/HDR-Reconstruction-Boosting

OBS-Diff: Accurate Pruning For Diffusion Models in One-Shot

OBS-Diff: 高精度扩散模型的一次性剪枝

Junhan Zhu, Hesong Wang, Mingluo Su, Zefang Wang, Huan Wang

机构 * Westlake University（西湖大学） ； Zhejiang University（浙江大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 OBS-Diff通过引入时间步感知Hessian构造和高效分组顺序剪枝策略，实现了扩散模型的一次性精准剪枝，提升推理效率并保持视觉质量。

Rethinking Preference Alignment for Diffusion Models with Classifier-Free Guidance

重新思考扩散模型的偏好对齐：基于分类器自由引导

Zhou Jiang, Yandong Wen, Zhen Liu

机构 * Westlake University（西湖大学） ； The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本文提出基于分类器自由引导的方法，通过分解偏好学习为两个模块并生成对比引导向量，提升扩散模型对人类偏好的对齐效果。

DM4CT: Benchmarking Diffusion Models for Computed Tomography Reconstruction

DM4CT：用于计算机断层扫描重建的扩散模型基准测试

Jiayang Shi, Daniel M. Pelt, K. Joost Batenburg

机构 * LIACS, Leiden University（莱顿大学LIACS） ； Centrum Wiskunde en Informatica（数学与信息学研究中心） 纠错

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

AI总结 DM4CT通过对比不同方法在CT重建中的表现，评估扩散模型在实际应用中的有效性与局限性。

Comments ICLR 2026

Efficient Text-Guided Convolutional Adapter for the Diffusion Model

高效的文本引导卷积适配器用于扩散模型

Aryan Das, Koushik Biswas, Swalpa Kumar Roy, Badri Narayana Patro, Vinay Kumar Verma

机构 * VIT Bhopal（维特大学博帕尔分校） ； IIIT Delhi（德里印度理工学院） ； Tezpur University Assam（泰朱普大学阿萨姆分校） ； IIT Kanpur（坎普尔印度理工学院） 纠错

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

AI总结 本文提出Nexus Prime和Slim适配器，通过文本引导提升扩散模型的结构保持条件生成性能，显著减少参数量并保持高效果。

Comments Accepted in WACV 2026

Synthetic History: Evaluating Visual Representations of the Past in Diffusion Models

合成历史：评估扩散模型中过去视觉表征

Maria-Teresa De Rosa Palmini, Eva Cetinic

机构 * University of Zurich（苏黎世大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本文提出评估TTI模型对历史语境表征的基准，揭示模型在历史主题生成中存在系统性偏差，如刻板印象和错误时空错位，旨在推动更准确的历史主题生成模型发展。

Retinal OCT Synthesis with Denoising Diffusion Probabilistic Models for Layer Segmentation

利用去噪扩散概率模型进行视网膜OCT合成以实现分层分割

Yuli Wu, Weidong He, Dennis Eschweiler, Ningxin Dou, Zixin Fan, Shengli Mi, Peter Walter, Johannes Stegmaier

机构 * Institute of Imaging and Computer Vision, RWTH Aachen University（成像与计算机视觉研究所，亚琛RWTH大学） ； Bio-manufacturing Engineering Laboratory of Tsinghua SIGS, Tsinghua University（清华大学SIGS生物制造工程实验室） ； Shenzhen Eye Hospital（深圳眼科医院） ； Department of Ophthalmology, RWTH Aachen University（眼科部，亚琛RWTH大学） 纠错

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

AI总结 本文提出利用DDPMs合成视网膜OCT图像，通过知识迁移提升分割精度，展示其在减少人工标注需求方面的潜力。

Comments ISBI 2024

Journal ref 2024 IEEE International Symposium on Biomedical Imaging (ISBI)

Improved Object-Centric Diffusion Learning with Registers and Contrastive Alignment

改进的基于注册和对比对齐的对象中心扩散学习

Bac Nguyen, Yuhta Takida, Naoki Murata, Chieh-Hsin Lai, Toshimitsu Uesaka, Stefano Ermon, Yuki Mitsufuji

机构 * Sony AI（索尼人工智能） ； Stanford University（斯坦福大学） ； Sony Group Corporation（索尼集团） 纠错

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

AI总结 CODA通过注册槽位和对比对齐损失改进物体中心学习，提升物体发现、属性预测和图像生成性能。

Comments Accepted at ICLR 2026

Amber-Image: Efficient Compression of Large-Scale Diffusion Transformers

Amber-Image: 大规模扩散变换器的高效压缩

Chaojie Yang, Tian Li, Yue Zhang, Jun Gao

机构 * Computational Intelligence Dept（计算智能系） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 Amber-Image通过高效压缩技术将大规模扩散变换器模型参数减少70%，实现低成本高精度的文本到图像生成。

Adapting VACE for Real-Time Autoregressive Video Diffusion

为实时自回归视频扩散适应VACE

Ryan Fosdick

机构 * Daydream 纠错

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

AI总结 VACE被适配用于实时自回归视频生成，通过调整参考帧路径以兼容因果注意力，保留固定分块大小和KV缓存，同时增加20-30%的延迟开销，但显存成本低，参考到视频的保真度下降。

Comments 10 pages, 4 figures, 7 tables

Large Scale Diffusion Distillation via Score-Regularized Continuous-Time Consistency

大规模扩散蒸馏的连续时间一致性 via 分数正则化

Kaiwen Zheng, Yuji Wang, Qianli Ma, Huayu Chen, Jintao Zhang, Yogesh Balaji, Jianfei Chen, Ming-Yu Liu, Jun Zhu, Qinsheng Zhang

机构 * Dept. of Comp. Sci. & Tech., BNRist Center, THU-Bosch ML Center, AI Institute, Tsinghua（清华大学计算机科学与技术系，BNRist中心，THU-Bosch机器学习中心，人工智能研究院） ； NVIDIA 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本文提出分数正则化的连续时间一致性模型（rCM），通过引入分数蒸馏作为长跳正则化器，改进了sCM在细节生成和多样性方面的性能，适用于大规模图像和视频扩散任务。

Comments ICLR 2026

Image Can Bring Your Memory Back: A Novel Multi-Modal Guided Attack against Image Generation Model Unlearning

图像能帮你找回记忆：一种新颖的多模态引导攻击对抗图像生成模型去学习

Renyang Liu, Guanlin Li, Tianwei Zhang, See-Kiong Ng

机构 * Institute of Data Science, National University of Singapore（数据科学研究所，新加坡国立大学） ； S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） 纠错

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

AI总结 Recall提出一种新颖的多模态引导攻击框架，针对图像生成模型去学习的鲁棒性进行攻击，展示其在对抗有效性、计算效率和语义保真度上的优势。

Comments Accepted by ICLR 2026

Hallucinating 360°: Panoramic Street-View Generation via Local Scenes Diffusion and Probabilistic Prompting

生成360°全景图：通过局部场景扩散与概率提示的街道视图生成

Fei Teng, Kai Luo, Sheng Wu, Siyu Li, Pujun Guo, Jiale Wei, Jiaming Zhang, Kunyu Peng, Kailun Yang

机构 * School of Artificial Intelligence and Robotics and the National Engineering Research Center of Robot Visual Perception and Control Technology, Hunan University（人工智能与机器人学院和机器人视觉感知与控制技术国家工程研究中心，湖南大学） ； Institute for Anthropomatics and Robotics, Karlsruhe Institute of Technology（人机学与机器人研究所，卡尔斯鲁厄技术大学） 纠错

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

AI总结 本文提出Percep360方法，通过局部场景扩散与概率提示技术，实现自动驾驶中的可控全景图像生成，提升真实场景下的鸟瞰图分割性能。

Comments Accepted to ICRA 2026. The source code will be publicly available at https://github.com/FeiT-FeiTeng/Percep360