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。
4DGS360：从单个视频中进行动态物体的360度高斯重建
机构 * Seoul National University（首尔国立大学）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出4DGS360框架，通过3D原生初始化解决动态物体360度重建中的几何模糊问题，结合优化实现一致的4D重建，并引入iPhone360基准测试集验证方法有效性。
Comments Accepted to ECCV 2026. Project page: https://jaewon040.github.io/4dgs360/
WorldPack：用于长上下文视频世界建模的动态帧压缩
机构 * The University of Tokyo（东京大学） ； Google DeepMind（谷歌DeepMind）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 研究针对长上下文视频世界建模中时空一致生成的挑战，提出WorldPack视频世界模型，通过轨迹打包和几何选择机制，基于3D空间相关性动态分配压缩率，扩展有效上下文，在相关数据集上优于基线，提升空间推理任务表现。
PhotoAgent: 带探索性视觉审美规划的代理照片编辑
机构 * MMLab, CUHK（CUHK媒体实验室） ； Shanghai AI Lab（上海AI实验室） ； USTC（中国科学技术大学） ； Institute of Science Tokyo（东京科学研究所） ； CPII under InnoHK（创新香港下的CPII）
专题命中 图像生成评测 ：image editing(abstract)；分类 cs.CV
AI总结 PhotoAgent通过探索性视觉审美规划实现自主照片编辑，无需用户逐步提示，提升图像质量和指令遵循度。
Comments ICML 2026 Oral. A fully automated, intelligent photo-editing agent that autonomously plans multi-step aesthetic enhancements, smartly chooses diverse editing tools, and enables everyday users to achieve professional-looking results without crafting complex prompts. Project page: https://mdyao.github.io/PhotoAgent/
超越标量奖励：将推理内化到分数分布中
机构 * Alibaba Group（阿里巴巴集团） ； Nankai University（南开大学）
专题命中 图像生成评测 ：text-to-image(abstract)；分类 cs.CV
AI总结 提出Z-Reward框架，通过教师-学生模型将推理型奖励内化为紧凑VLM的分数分布，实现高效且准确的文本到图像优化。
Comments Z-Image Team Technical Report. Project page: https://srameo.github.io/projects/z-reward/
统一去除雨滴和反射：一个新的基准和一个新流程
机构 * School of Aeronautics and Astronautics, Zhejiang University（浙江大学航空航天学院） ； Huanjiang Laboratory（浣江实验室） ； Hangzhou Institute of Technology, Xidian University（西安电子科技大学杭州研究院） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出统一去除雨滴和反射的任务，并构建了新的基准数据集，同时提出基于扩散的新型框架DiffUR³，有效去除两种退化，实验表明在基准和真实场景中表现优异。
Comments Accepted by ECCV 2026
DF3DV-1K：用于无干扰新视角合成的大规模数据集与基准
机构 * University of Technology Sydney（悉尼科技大学） ； University of Sydney（悉尼大学） ； National Yang Ming Chiao Tung University（阳明交通大学）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 为弥补无干扰辐射场领域缺乏大规模真实世界数据集的空白，构建了包含1048个场景、每场景提供干净和杂乱图像集的DF3DV-1K数据集，并基于此基准测试了九种最新方法，识别出最鲁棒的方法和最具挑战的场景。
Comments ECCV 2026 Accepted
HunyuanImage 3.0 技术报告
专题命中 图像生成评测 ：image generation(abstract)；分类 cs.CV
AI总结 HunyuanImage 3.0是一种统一多模态理解与生成的自回归模型，通过精心数据整理、先进架构、原生思维链、渐进预训练和激进后训练，训练出超800亿参数MoE模型（推理时激活130亿），在文本-图像对齐和视觉质量上媲美最先进模型，并开源代码和权重。
生成式图像恢复进展：能力、局限性与评估实践研究
机构 * Fudan University（复旦大学） ； Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院） ； University of the Chinese Academy of Sciences（中国科学院大学） ； Multimedia Laboratory, The Chinese University of Hong Kong（香港中文大学多媒体实验室） ； Shenzhen University of Advanced Technology（深圳先进技术大学）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 通过多维度评估管道系统比较扩散、GAN等生成式模型与PSNR导向模型，揭示从细节不足到细节质量与语义控制的范式转变，并训练了更符合人类感知的IQA模型。
Comments Accepted by CVPR 2026 Findings
OpenVTON-Bench：用于可控虚拟试穿评估的大规模高分辨率基准
机构 * Renxing Intelligence, Hangzhou, China ； Hangzhou Dianzi University, Hangzhou, China（杭州电子科技大学）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 提出OpenVTON-Bench，包含约10万对高分辨率图像，通过DINOv3聚类和Gemini描述构建，并设计多模态评估协议，沿五个维度衡量试穿质量，与人类判断高度一致。
Comments Under review for the NeurIPS 2026 Datasets and Benchmarks Track
SciFlow-Bench：通过逆解析评估结构感知的科学图表生成
机构 * Peking University（北京大学） ； Shanghai Jiao Tong University（上海交通大学） ； Huawei Cloud BU（华为云业务部） ； Zhongguancun Academy（中关村学院） ； Beijing Key Laboratory of Data Intelligence and Security (Peking University)（北京数据智能与安全重点实验室（北京大学））
专题命中 图像生成评测 ：text-to-image(abstract)；分类 cs.CV
AI总结 提出SciFlow-Bench基准，通过逆解析将生成的图表图像转换为结构化图进行比较，以结构可恢复性而非视觉相似性评估科学图表生成。
RETO：一种增强旋转的Transformer操作符用于汽车气动性能的高保真预测
机构 * Department of Mechanics and Aerospace Engineering, Southern University of Science and Technology（南方科技大学机械与航空航天工程系） ； Shenzhen Key Laboratory of Complex Aerospace Flows, Southern University of Science and Technology（深圳复杂航空航天流动重点实验室） ； Ningbo Key Laboratory of Advanced Manufacturing Simulation, Eastern Institute of Technology（宁波先进制造模拟重点实验室） ； Shenzhen Tenfong Science and Technology Co., Ltd.（深圳天丰科技有限公司）
专题命中 图像生成评测 ：diffusion(abstract)
AI总结 本文提出RETO操作符，通过双阶段空间意识机制提升汽车气动预测精度，实验显示其在ShapeNet和DrivAerML数据集上均优于现有方法。
SPRInG: 通过选择性参数适应和检索插值生成实现连续大语言模型个性化
机构 * Yonsei University（延世大学）
专题命中 图像生成评测 ：personalized generation(abstract)
AI总结 SPRInG通过选择性参数适应和检索插值生成，实现连续大语言模型个性化，有效应对用户偏好变化带来的挑战。
Comments under review, 29 pages
关于一般度量测度空间上多孔介质方程的适定性
专题命中 图像生成评测 ：diffusion(abstract)
AI总结 研究一般度量测度空间上带符号多孔介质方程柯西问题的适定性，基于Rothe方法和单调算子理论，仅用狄氏型定义，证明对给定初始数据存在唯一弱解，适用于多种度量测度空间包括非光滑分形。
Comments 39 pages, 2 figures. Have corrected nearly all errors in old versions. Comments are welcome
破解生成困惑度：为何无条件文本评估需要分布度量
机构 * AITHYRA Institute（AITHYRA研究所）
专题命中 图像生成评测 ：diffusion(abstract)
AI总结 本文指出生成困惑度（gen-PPL）作为非自回归语言模型评估指标存在缺陷，通过构造零参数朴素采样器在LM1B和OpenWebText上达到SOTA gen-PPL但生成不连贯文本，建议采用直接量化生成文本与参考文本分布差异的评估套件。
Comments Presented at the ICML 2026 Workshop on Structured Probabilistic Inference & Generative Modeling (SPIGM), Seoul, South Korea
工业灵巧性基准测试：一个用于工业灵巧操作的硬件-软件基准测试平台
机构 * Analog Devices, Inc.（亚德诺半导体技术有限公司）
专题命中 图像生成评测 ：diffusion(abstract)
AI总结 针对工业灵巧操作瓶颈，提出从经典流程到端到端多模态模仿学习框架的转变，介绍了IDB板、DAG-ROS框架和AG-iDP3策略框架，通过数据中心电缆操作实验表明新策略在多方面优于传统方法，推动向可扩展机器人自动化发展。
RoboDesign1M：用于机器人设计理解的大规模数据集
机构 * FPT Software AI Center（FPT软件人工智能中心） ； University of Liverpool（利物浦大学） ； University of Information Technology（信息技术大学） ； Automation & Control Institute（自动化与控制研究所） ； Department of Creative Informatics（创意信息系） ； Faculty of Environment and Information Studies（环境与信息科学系）
专题命中 图像生成评测 ：image generation(abstract)
AI总结 针对机器人设计领域缺乏大规模数据集的问题，介绍了含100万个样本的RoboDesign1M数据集，提出半自动数据收集管道，经多项实验评估，该数据集可推动机器人设计理解研究及相关自动化发展。
Comments 8 pages, accepted to IROS 2026
视觉-语言-动作模型的流匹配策略的强化微调
机构 * Brain-inspired Cognitive AI Lab, Institute of Automation, Chinese Academy of Sciences, Beijing, China（脑启发认知人工智能实验室，自动化研究所，中国科学院，北京，中国） ； Beijing Institute of AI Safety and Governance, China（北京人工智能安全与治理研究院，中国） ； State Key Laboratory of Brain Cognition and Brain-inspired Intelligence Technology（脑认知与脑启发智能技术国家重点实验室） ； Beijing Key Laboratory of Safe AI and Superalignment, China（北京安全人工智能与超对齐重点实验室，中国） ； University of Chinese Academy of Sciences (UCAS), Beijing, China（中国科学院大学（UCAS），北京，中国） ； Long-term AI,Beijing,China（长期人工智能，北京，中国）
专题命中 图像生成评测 ：diffusion(abstract)
AI总结 针对流匹配模型强化微调中重要性采样计算困难的问题，提出流策略优化算法，通过条件流匹配目标、结构感知信用分配等技术实现稳定在线微调，在LIBERO和ALOHA任务上超越基线。
Comments Accepted to ICRA 2026
针对若干偏微分方程的代数多重网格方法中核学习参数预测与评估
专题命中 图像生成评测 ：diffusion(abstract)
AI总结 提出基于高斯过程回归的代数多重网格参数优化策略，通过核学习构建核函数库并线性组合最优核，在小规模数据集上预测近优参数，显著降低计算时间并保持迭代次数与网格搜索一致。
视觉基础模型能否导航？零样本真实世界评估与经验教训
机构 * Polytechnique Montreal（蒙特利尔理工学院）
专题命中 图像生成评测 ：diffusion(abstract)
AI总结 本文对五种视觉导航模型在真实环境中进行零样本评估，发现其存在几何理解不足、感知混淆和分布漂移等系统性问题，并公开评估代码与数据集。
PhononBench：面向晶体生成中动态稳定性的基于声子的大规模基准
机构 * School of Physics, Renmin University of China（中国人民大学物理学院）
专题命中 图像生成评测 ：diffusion(abstract)
AI总结 提出PhononBench，首个大规模AI生成晶体动态稳定性基准，利用MatterSim势高效计算声子，评估7个模型生成的133,838个结构，发现平均动态稳定性率仅32.15%。
Comments 53 pages, 6 figures
面向通信辅助的无人机载MIMO TomoSAR的点扩展函数优化
专题命中 图像生成评测 ：image generation(abstract)
AI总结 针对无人机载MIMO合成孔径雷达层析成像系统，提出基于粒子群优化的联合无人机编队与卸载功率分配方法，以最小化点扩展函数旁瓣水平。
面向文本到图像生成的高效路由：成本感知方法
机构 * Tandon School of Engineering, New York University（纽约大学Tandon工程学院） ； Google（谷歌） ； Eigen 4D Inc.（Eigen 4D公司）
专题命中 效率与蒸馏 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(abstract)；分类 cs.CV
AI总结 提出成本感知路由框架，根据提示复杂度自动选择不同去噪步数或模型，在保证高质量的同时降低计算成本，优于单一模型。
Comments Accepted by TMLR
IB-Flow：用于少步文本到图像生成的信息瓶颈引导的CFG蒸馏
机构 * Tsinghua University（清华大学） ； Wan Team, Alibaba Group（万团队，阿里巴巴集团） ； HKUST（香港科技大学） ； Beijing Normal University（北京师范大学）
专题命中 效率与蒸馏 ：image generation(title,abstract)；text-to-image(title,abstract)；分类 cs.CV
AI总结 研究针对少步文本到图像生成中推理延迟问题，通过信息论将蒸馏建模为信息瓶颈引导的动态互信息博弈，提出双轨自适应框架，消除过度条件化伪影，在2步配置下实现SOTA生成保真度。
Mage-Flow：用于图像生成和编辑的高效原生分辨率基础模型
机构 * Microsoft Mage Team（微软Mage团队）
专题命中 效率与蒸馏 ：image generation(title,abstract)；text-to-image(abstract)；diffusion(abstract)；image editing(abstract)
AI总结 研究针对大规模视觉生成器成本高的问题，提出Mage-Flow，由Mage-VAE和原生分辨率多模态扩散Transformer组成。通过协同设计实现高效文本到图像生成及编辑，开发完整模型家族，Turbo变体在高分辨率下生成和编辑高效，性能有竞争力。
对抗概念蒸馏用于一步扩散个性化
机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Computer Vision Center（计算机视觉中心） ； Universitat Autònoma de Barcelona（巴塞罗那自治大学） ； VCIP, CS, Nankai University（南开大学计算机学院视觉计算与智能感知实验室） ； Program of Computer Science, City University of Hong Kong (Dongguan)（香港城市大学（东莞）计算机科学项目） ； City University of Hong Kong（香港城市大学）
专题命中 效率与蒸馏 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 本文提出OPAD框架，结合教师-学生蒸馏与对抗监督，通过多步扩散模型作为教师，一步学生模型联合训练，以实现一步扩散模型的高效个性化。
Comments Accepted to CVPR 2026 Findings
一步残差移位扩散用于图像超分辨率通过蒸馏
机构 * Kandinsky Lab（坎迪斯基实验室） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Luzin Research Center（卢津研究所） ； Moscow Independent Research Institute of Artificial Intelligence（莫斯科独立人工智能研究 institute） ； Applied AI Institute（应用人工智能研究所）
专题命中 效率与蒸馏 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 提出RSD蒸馏方法，通过训练学生网络使基于其生成图像的虚拟ResShift模型与教师一致，实现单步超分辨率，在感知指标上超越教师和SinSR，且参数和计算成本更低。
Comments ICML-2026
WAM-Diff2：面向高效自动驾驶视觉-语言-动作（VLA）的分层自回归到扩散蒸馏
专题命中 效率与蒸馏 ：diffusion(title,abstract)；分类 cs.CV
AI总结 WAM-Diff2通过三阶段分层蒸馏策略，将预训练自回归VLA模型转化为高效扩散模型，缓解暴露偏差、实现与基线相当性能，解码速度提升2.8倍，结合系统级优化后达15.1倍加速。
教师特征漂移：基于预训练扩散表示的一步扩散蒸馏
机构 * JD Explore Academy（京东探索研究院） ； Peking University（北京大学） ； Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Beijing Institute of Technology（北京理工大学）
专题命中 效率与蒸馏 ：diffusion(title,abstract)；分类 cs.CV
AI总结 本文提出通过单步扩散蒸馏简化模型，利用预训练扩散教师自身的特征空间，无需额外网络即可实现语义特征几何的漂移，同时引入轻量模式覆盖损失以提升生成质量和多样性。
渐进棋盘用于自回归多尺度图像生成
专题命中 效率与蒸馏 ：image generation(title,abstract)；分类 cs.CV
AI总结 本研究提出了一种基于渐进棋盘的多尺度自回归图像生成方法，通过并行采样和保持平衡结构，实现高效且有效的条件建模。
Distill, Diffuse, and Semanticize (DDS): 基于多粒度蒸馏和图扩散的无标注3D场景理解
机构 * Faculty of Computing, Harbin Institute of Technology（哈尔滨工业大学计算机学院） ； Pengcheng Laboratory（鹏城实验室）
专题命中 效率与蒸馏 ：diffusion(title,abstract)；分类 cs.CV
AI总结 DDS通过多粒度蒸馏和图扩散实现轻量级无标注3D场景理解，提升区域一致性和语义识别，实验显示在多个数据集上性能优于现有方法。
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