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。
Prompt2Effect: 通过LoRA生成实现免训练图像到视频模型特化
机构 * Northeastern University（东北大学） ； Snap Inc.（Snap公司）
专题命中 个性化与一致性 ：diffusion(abstract)；分类 cs.CV
AI总结 提出Prompt2Effect，一种权重驱动超网络，通过单次前向传播直接合成效果特定的LoRA权重，无需训练，在保持视频质量的同时将计算成本从56 GPU小时降至3.3秒。
Comments Accepted to ECCV 2026, project page: https://xiaomeng-yang.github.io/Prompt2Effect
OrthoTryOn：面向无冲突统一时尚生成的几何正交化
机构 * PCA Lab, School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院PCA实验室） ； PCA Lab, School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院PCA实验室） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 个性化与一致性 ：diffusion(abstract)；分类 cs.CV
AI总结 提出OrthoTryOn框架，通过正交子空间投影和Fisher引导负向引导解决统一时尚生成中任务间梯度冲突，实现多任务协同优化。
Comments Accepted by ECCV2026
DivRL: 解耦自相似性奖励用于多样化主题驱动生成
机构 * KAUST（阿卜杜拉国王科技大学）
专题命中 个性化与一致性 ：image generation(abstract)；分类 cs.CV
AI总结 提出DivRL框架，通过解耦视觉特征中的负自相似性度量（nSSM）和视觉语义匹配（VSM），采用“探索-抑制”策略联合优化身份一致性与结构多样性，解决主题驱动生成中的身份-多样性悖论。
Comments Accepted to ECCV 2026. Project page: https://qianwangx.github.io/DivRL/
SteerVTE: 具有风格和字形控制的无缝视频文本编辑
机构 * Peking University（北京大学）
专题命中 个性化与一致性 ：diffusion(abstract)；分类 cs.CV
AI总结 提出SteerVTE框架，通过风格编码器和双粒度字形编码器控制冻结视频扩散模型，结合字形感知空间焦点损失和三阶段渐进训练，实现精确、连贯的视频文本编辑。
SMART：一种灵活、可解释且可扩展的高分辨率成像数据时空脑图谱
机构 * Illinois Institute of Technology（伊利诺伊理工学院） ； Amsterdam University Medical Center（阿姆斯特丹大学医学中心） ； University College London（伦敦大学学院）
专题命中 个性化与一致性 ：diffusion(abstract)；分类 cs.CV
AI总结 提出SMART框架，通过解耦全局疾病动态与患者特定解剖表现，学习连续疾病时间图谱，实现高分辨率3D医学图像中时空变化的灵活、可解释和可扩展建模。
ReAge3D：具有视角一致性的3D人脸回龄
机构 * Texas A&M University（德克萨斯农工大学） ； Netflix Eyeline Studios
专题命中 个性化与一致性 ：diffusion(abstract)；分类 cs.CV
AI总结 提出ReAge3D框架，通过2D扩散模型DiffReaging和中心向外编辑传播策略，实现多视角一致的3D人脸回龄，保持身份和细节，优于现有方法。
Pareto LoRA：通过帕累托最优梯度集成缓解统一多模态模型中的模态不平衡
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Advanced Micro Devices, Inc.（超威半导体公司）
专题命中 个性化与一致性 ：image generation(abstract)；分类 cs.CV
AI总结 针对统一多模态模型在LoRA微调中语言梯度主导优化导致图像生成质量下降的问题，提出帕累托最优梯度集成策略Pareto LoRA，通过调节梯度方向和强度平衡文本与图像目标，在CoMM基准上显著提升图像感知质量达44.9%。
VideoWeave: 通过联合几何-视频建模解锁视频生成中的几何一致性
机构 * Nanjing University（南京大学） ； Institute of Artificial Intelligence, China Telecom (TeleAI)（中国电信人工智能研究院（TeleAI）） ； Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
专题命中 个性化与一致性 ：diffusion(abstract)；分类 cs.CV
AI总结 提出VideoWeave，一种在潜在空间后训练框架，利用隐式几何模型特征约束生成分布，缓解几何重建误差，提升视频几何一致性。
开放域定制视频生成的综合生态系统
机构 * University of Science and Technology of China（科学技术大学） ； Microsoft Research Asia（微软亚洲研究院） ； Seoul National University（首尔国立大学）
专题命中 个性化与一致性 ：diffusion(abstract)；分类 cs.CV
AI总结 提出百万级数据集PexelsCustom-1M和参数高效框架CustoMDiT，仅用8%额外参数实现定制视频生成，并构建千类基准OpenCustom，开源整个生态系统。
Comments 5 pages, 3 figures, 4 tables. Accepted by ICASSP 2026
ARGUS: 堆叠多视角身份马赛克注入用于主体保持的视频生成
机构 * Peking University（北京大学） ； Kuaishou Technology（快手科技） ； Xiamen University（厦门大学）
专题命中 个性化与一致性 ：diffusion(abstract)；分类 cs.CV
AI总结 提出ARGUS框架，通过堆叠多视角身份马赛克注入（SMII）将身份表示为紧凑动态分布，结合MLLM身份导演、无交叉对反事实训练等模块，在主体保持视频生成中达到SOTA。
Comments 13 pages, 3 figures
图像模型能想象时间吗？ImageTime：通过时空一致性探究视觉世界建模的新基准
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 个性化与一致性 ：image generation(abstract)；分类 cs.CV
AI总结 提出ImageTime基准，通过四关键帧协议（初始状态、动作开始、过渡状态、最终状态）评估图像生成模型在时空一致性上的表现，揭示模型在维持连贯视觉世界状态方面的能力与不足。
超越一致性：在零样本视频编辑中保留时间结构
机构 * Anhui University（安徽大学） ； University of Surrey（萨里大学） ； University of Warwick（华威大学）
专题命中 个性化与一致性 ：diffusion(abstract)；分类 cs.CV
AI总结 提出一种零样本视频编辑方法，通过自适应分割视频片段、选取锚帧和令牌合并策略，首次显式保留源视频的时间结构，平衡编辑保真度与计算效率。
Journal ref Pattern Recognition, Vol. 180, 2026
AdaTok: 具有质量保持动态令牌的自预算图像令牌化
机构 * The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong Polytechnic University（香港理工大学）
专题命中 个性化与一致性 ：image generation(abstract)；分类 cs.CV
AI总结 提出AdaTok，一种自预算离散一维令牌化器，通过表示-分配协同设计（优先表示学习和自适应令牌分配）实现图像自适应令牌数量，在保持重建质量的同时减少平均令牌数。
Comments Preprint; 11 pages, 4 figures
CForce：通过一致性强制提升扩散大语言模型（dLLMs）的并行解码性能
机构 * Shanghai Jiao Tong University（上海交通大学） ； Ant Group（蚂蚁集团）
专题命中 个性化与一致性 ：diffusion(abstract)
AI总结 本文提出CForce方法，通过一致性强制提升dLLMs的并行解码性能，在LLaDA模型上实验证实其在高并行解码预算下可优化速度-质量权衡。
恰当评分观测驱动滤波器：局部几何、估计与连续时间极限
专题命中 个性化与一致性 ：diffusion(abstract)
AI总结 该研究提出基于恰当评分规则的观测驱动滤波器，推导其局部动力学、渐近性质与连续时间极限，通过实验验证其在金融收益数据中的应用，为误设下的观测驱动滤波提供准则框架。
Comments 88 pages, 12 figures, 25 tables
通用型与专家型大语言模型组成的社交网络中的信念协同演化
机构 * Khoury College of Computer Sciences, Northeastern University（东北大学库尔计算机科学学院） ； Network Science Institute, Northeastern University（东北大学网络科学研究所） ； Santa Fe Institute（圣塔菲研究所）
专题命中 个性化与一致性 ：diffusion(abstract)
AI总结 该研究提出CoevolveSim框架，模拟通用型与专家型LLM组成的社交网络中信念扩散，发现专家型LLM可显著提升共识转变幅度，模拟多智能体LLM系统信念扩散需多样化底层LLM。
Comments 33 pages (14 pages of main text), 7 figures, 14 tables
通过信道条件参数生成实现CSI模型的快速跨场景自适应
机构 * School of Software Technology, Zhejiang University（浙江大学软件学院） ； State Key Laboratory of Blockchain and Data Security, Zhejiang University Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（浙江大学杭州高新技术产业开发区（滨江）区块链与数据安全国家重点实验室）
专题命中 个性化与一致性 ：diffusion(abstract)
AI总结 研究针对CSI模型在不同场景适应性差的问题，提出CCPG方法，通过组件冻结实验识别瓶颈，生成轻量级LoRA权重，经多种技术处理实现快速跨场景自适应，实验表明该方法能高效部署CSI模型用于6G通信。
从概要到导向向量：用于个性化文本生成的全局稀疏先验和局部语义校准
机构 * NLPR, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室） ； Xiaomi（小米）
专题命中 个性化与一致性 ：personalized generation(abstract)
AI总结 研究个性化文本生成问题，提出无训练框架GLASS，通过全局-局部激活导向与稀疏先验实现。利用稀疏自动编码器提取全局先验、构建局部向量，推理时注入模型层。实验证明其性能优于基线，能更好分离风格与语义信息。
Comments Under review
与仿作并肩：人工智能生成的视觉当代艺术模仿作品的计算分析
机构 * University of Bucharest（布加勒斯特大学）
专题命中 个性化与一致性 ：image generation(abstract)
AI总结 本文研究更新的生成模型模仿当代艺术作品的能力及不同语言模型中风格评估的多维度一致性。利用五个计算机视觉模型，通过余弦距离捕捉多种特征，对比新旧模型。结果显示新模型语义对齐改进、多样性增加，但浅层特征表现稍弱，还通过艺术家反馈进行情境化。
粘性旋转浅水方程非对称内罚 DG 离散化中的罚标度效应
专题命中 个性化与一致性 ：diffusion(abstract)
AI总结 研究粘性旋转浅水方程非对称内罚 DG 离散化中内罚参数标度的影响，通过局部 Lax--Friedrichs 通量近似双曲项，比较$\beta = 1$和$\beta = 3$，建立相关性质，经测试表明标准标度在精度-成本折衷上表现更好。
基于飞轮效应的分享诱导参与度的因果估计
专题命中 个性化与一致性 ：diffusion(abstract)
AI总结 研究在线平台分享功能的飞轮效应，开发考虑干扰的实验框架，提出基于流量平衡恒等式的估计器，降低偏差，建立A/A测试程序，扩展到用户级指标，并用真实平台验证方法。
Comments Accepted by KDD 2026
Laplace--Fisher 门恒等式用于最优矩阵门控混合得分估计
机构 * The Oden Institute for Computational Engineering and Sciences（奥登计算工程与科学研究院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； The Department of Aerospace Engineering & Engineering Mechanics（航空航天工程与机械系）
专题命中 个性化与一致性 ：diffusion(abstract)
AI总结 针对非归一化目标采样中的得分估计问题，提出矩阵值门控混合得分估计方法，推导出方差最优门公式（Laplace-Fisher 门恒等式），并证明有限参考一致性，应用于贝叶斯逆问题的归一化密度评估。
Comments Provisional report
缩小低资源文本转语音的质量差距：针对高棉语和韩语的VoxCPM2 LoRA微调
机构 * Department of Big Data, Chungbuk National University（Chungbuk National University大数据系） ； Institute of Digital Research and Innovation, Cambodia Academy of Digital Technology（柬埔寨数字技术研究院） ； Department of Management Information Systems, Chungbuk National University（Chungbuk National University管理信息系） ； BigData Labs Co., Ltd.（BigData Labs公司）
专题命中 个性化与一致性 ：diffusion(abstract)
AI总结 针对高棉语和韩语，使用LoRA微调VoxCPM2模型，在仅训练0.19%-3.03%参数的情况下，高棉语MOS从3.85提升至4.23，而韩语无提升，表明适配主要帮助基础模型表现差的语言。
Comments 5 pages, 1 figure, 4 tables. IEEE conference format (IEEEtran)
指令如何塑造语音？面向风格描述文本到语音的交叉注意力归因
专题命中 个性化与一致性 ：diffusion(abstract)
AI总结 提出交叉注意力归因方法，分析风格描述文本到语音系统中单词对声学输出的影响，发现风格标记在早期步骤和深层注意力峰值，且与基频和能量相关。
MimicIK: 基于遥操作且保持正运动学一致性的实时生成式逆运动学
机构 * Ising AI ； CUHK-Shenzhen（香港中文大学（深圳））
专题命中 个性化与一致性 ：diffusion(abstract)
AI总结 提出MimicIK框架，利用条件流匹配从遥操作数据学习平滑鲁棒的关节空间运动先验，通过两阶段迭代优化和正运动学一致性损失实现实时逆运动学求解，在6-DOF机器人数据集上达到4.65mm位置误差和92.01%成功率。
帕累托引导的教师对齐用于公平个性化文本生成
机构 * Purdue University（普渡大学）
专题命中 个性化与一致性 ：personalized generation(abstract)
AI总结 提出帕累托引导的教师对齐框架，通过修订候选生成、对感知可行性门控、帕累托候选选择和偏好优化，在减少人口统计差异的同时保持个性化保真度，实验表明公平缓解效果依赖于目标且跨域迁移不一致。
OmniGen-AR: 自回归任意到图像生成
机构 * Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身人工智能研究所） ； Shanghai Collaborative Innovation Center of Intelligent Visual Computing（上海智能视觉计算协同创新中心） ； Bytedance Seed（字节跳动Seed） ； The University of Hong Kong（香港大学）
专题命中 图像生成评测 ：image generation(title,abstract)；text-to-image(abstract)；image editing(abstract)；image synthesis(abstract)
AI总结 提出统一自回归框架OmniGen-AR，通过共享视觉分词器和解耦因果注意力，支持文本、空间信号和视觉上下文等多种条件输入，在多项基准上达到最优或竞争性能。
Comments Accepted by NeurIPS
PIPBench：用于个性化图像生成评估的包含个人资料的框架
机构 * College of AI, Tsinghua University（清华大学人工智能学院） ； Shanghai Qi Zhi Institute（上海启智研究院）
专题命中 图像生成评测 ：image generation(title,abstract)；text-to-image(abstract)；image synthesis(abstract)；分类 cs.CV
AI总结 研究个性化图像生成问题，引入PIPBench基准及新数据构建管道，利用心理和人口统计学资料维度收集数据，全面评估代表性方法，揭示现有方法局限，为个性化文本到图像合成带来新挑战与机遇。
CogCanvas: 用于评估多主体参考图像生成的基准
机构 * University of Science, Ho Chi Minh City, Vietnam（胡志明市理科大学） ； University of Dayton, Ohio, United States（代顿大学） ； Vietnam National University, Ho Chi Minh City, Vietnam（越南国家大学胡志明市分校）
专题命中 图像生成评测 ：image generation(title,abstract)；text-to-image(abstract)；diffusion(abstract)；分类 cs.CV
AI总结 提出CogCanvas基准，包含1952张参考图像和1361个组合提示，评估多身份、对象绑定和背景场景的生成，引入BG-Sim和Attr-VQA指标，发现现有模型在超过3个主体时性能严重下降。
WeGenBench：面向文本到图像模型优化的多维诊断基准
机构 * University of Electronic Science and Technology of China（电子科技大学） ； Dalian University of Technology（大连理工大学） ； Weixin, Tencent（腾讯微信）
专题命中 图像生成评测 ：text-to-image(title,abstract)；image generation(abstract)；分类 cs.CV
AI总结 提出WeGenBench基准，包含4000个中英双语提示，通过场景分类和多维标签实现跨维度评估，并设计基于视觉语言模型的新颖指标，精准定位模型在特定生成类别中的缺陷。
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