多模态大模型

Dual-Diffusional Generative Fashion Recommendation

双扩散生成式时尚推荐

Mingzhe Yu, Lei Wu, Qianru Sun, Yunshan Ma

专题命中 多模态生成 ：cross-modal(abstract)；分类 cs.MM

AI总结 本文提出DualFashion，一种联合建模图像和文本模态的双扩散生成式时尚推荐架构，通过结构化属性级描述和视觉装扮信息共同作为条件信号，实现个性化和可解释的推荐，同时引入文本增强微调策略提升生成多样性与跨模态知识迁移能力。

Comments Accepted by SIGIR'26

HierEdit: Region-Aware Hierarchical Diffusion for Efficient High-Resolution Editing

HierEdit: 基于区域的分层扩散用于高效的高分辨率编辑

Yuyao Zhang, Alexander Huang-Menders, Yu-Wing Tai

机构 * Dartmouth College（达特茅斯学院） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出HierEdit，一种区域感知的分层扩散框架，用于高效可扩展的高分辨率图像编辑。通过低分辨率代理生成参考并定位修改区域，结合分层局部窗口扩散模型和推理加速机制，实现无需高分辨率训练数据的快速高保真编辑。

Thinking with Geometry: Active Geometry Integration for Spatial Reasoning

基于几何的思考：用于空间推理的主动几何整合

Haoyuan Li, Qihang Cao, Tao Tang, Kun Xiang, Zihan Guo, Jianhua Han, JiaWang Bian, Hang Xu, Xiaodan Liang

机构 * Shenzhen campus of Sun Yet-sen University（中山大学深圳校区） ； Yinwang Intelligent Technology Co. Ltd.（云网智能科技有限公司） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai innovation institute（上海创新研究院） ； Nanyang Technological University（南洋理工大学） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出GeoThinker框架，通过主动感知机制改进空间推理，通过空间接地融合和重要性门控实现几何与语义的精准整合，提升空间智能性能。

LaDi-RL: Latent Diffusion Reasoning Prevents Entropy Collapse in Reinforcement Learning

LaDi-RL：潜在扩散推理防止强化学习中的熵崩溃

Haoqiang Kang, Yizhe Zhang, Nikki Lijing Kuang, Yi-An Ma, Lianhui Qin

机构 * UC San Diego（斯克利普斯海洋研究所） ； Apple（苹果公司） 纠错

专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.AI

AI总结 本文提出LaDi-RL方法，通过潜在扩散模型生成潜在推理轨迹，解决强化学习中熵崩溃问题，提升代码生成和数学推理性能。

Flow Matching with Optimized Subclass Priors for Medical Image Augmentation

利用优化子类先验的流匹配用于医学图像增强

Felix Nützel, Mischa Dombrowski, Bernhard Kainz

机构 * Department of Artificial Intelligence in Biomedical Engineering, Friedrich-Alexander-Universität Erlangen-Nürnberg, 91052 Erlangen, Germany（生物医学工程人工智能系，弗里德里希-亚历山大-厄林根-纽伦堡大学） ； Department of Computing, Imperial College London, London SW7 2AZ, UK（计算系，帝国理工学院伦敦分校） 纠错

专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV

AI总结 本文提出通过优化子类先验来提升医学图像增强中罕见疾病的生成质量，通过生成模型的潜在空间进行子类模式划分，并学习子类条件源分布以提高生成效果和多样性。

Comments 11 pages, 3 figures, 7 tables

QuantFPFlow: Quantum Amplitude Estimation for Fokker--Planck Policy Optimisation in Continuous Reinforcement Learning

QuantFPFlow：用于连续强化学习中Fokker-Planck策略优化的量子振幅估计

Abraham Itzhak Weinberg

机构 * AI-WEINBERG, AI Experts（AI-WEINBERG人工智能专家） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.AI

AI总结 QuantFPFlow通过量子振幅估计提升连续强化学习中Fokker-Planck策略优化的效率，实现算法复杂度从O(1/ε²)到O(1/ε)的平方加速，并在多模态奖励景观中发现全局最优解。

Alignment and Safety of Diffusion Models via Reinforcement Learning and Reward Modeling: A Survey

通过强化学习和奖励建模对扩散模型的对齐与安全性：综述

Preeti Lamba, Kiran Ravish, Ankita Kushwaha, Pawan Kumar

机构 * International Institute of Information Technology（国际信息科技学院） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文综述了通过强化学习、奖励建模等方法对文本到图像扩散模型进行对齐和安全性的最新进展，探讨了反馈来源、奖励信号形式、优化机制等五个维度，并提出了多目标对齐、反馈高效偏好学习等开放性挑战。

Comments 3 figures, 1 table

WorldAct: Activating Monolithic 3D Worlds into Interactive-Ready Object-Centric Scenes

WorldAct：将单体3D世界激活为可交互的以对象为中心的场景

Jichen Hu, Jiawei Guo, Jiazhong Cen, Chen Yang, Sikuang Li, Wei Shen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Huawei Inc（华为公司） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 WorldAct通过多模态代理将静态生成的3D世界分解为可编辑的交互场景，支持对象级编辑和任务执行，保留全局一致性。

Comments Project page: https://sjtu-deepvisionlab.github.io/WorldAct

Sparse ActionGen: Accelerating Diffusion Policy with Real-time Pruning

稀疏动作生成：通过实时剪枝加速扩散策略

Kangye Ji, Jianbo Zhou, Yuan Meng, Ye Li, Hanyun Cui, Zhi Wang

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学） ； Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系） ； Department of Computer Science（计算机科学系） 纠错

专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV

AI总结 本文提出SAG方法，通过自适应剪枝和重用机制实现稀疏动作生成，提升实时视觉运动控制效率，实验显示生成速度提升4倍。

MaTe: Images Are All You Need for Material Transfer via Diffusion Transformer

MaTe：仅需图像进行材料迁移的扩散变换器

Nisha Huang, Henglin Liu, Yizhou Lin, Kaer Huang, Chubin Chen, Jie Guo, Tong-Yee Lee, Xiu Li

机构 * Tsinghua University（清华大学） ； PengCheng Laboratory（鹏城实验室） ； Lenovo Research（联想研究院） ； National Cheng-Kung University（国立成功大学） 纠错

专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV

AI总结 MaTe通过多模态注意力机制实现材料迁移，无需文本指导或辅助网络，提升了生成质量和效率。

Reading the Cell, Designing the Cure: Perturbation-Conditioned Molecular Diffusion for Function-Oriented Drug Design

解读细胞，设计治愈：基于扰动条件的分子扩散用于功能导向的药物设计

Ziyu Xu, Zijian Zhang, Liang Wang, Zhiyuan Liu, Qiang Liu, Shu Wu, Liang Wang

机构 * School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences, Beijing, China（中国科学院大学先进交叉学科学院） ； NLPR, MAIS, Institute of Automation, Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China（中国科学院大学人工智能学院） ； National University of Singapore, Singapore（新加坡国立大学） 纠错

专题命中 多模态生成 ：cross-modal(abstract)；分类 cs.AI

AI总结 本文提出基于转录组的药物设计（TBDD）作为生成逆问题，通过多分辨率转录组引导扩散框架，结合转录组扰动功能特征提取器，实现功能导向的药物分子设计，验证了其在结构质量和功能一致性上的优越性。

Do-Undo Bench: Reversibility for Action Understanding in Image Generation

Do-Undo基准：图像生成中动作理解的可逆性

Shweta Mahajan, Shreya Kadambi, Hoang Le, Rajeev Yasarla, Apratim Bhattacharyya, Munawar Hayat, Fatih Porikli

机构 * York University（约克大学） ； Vector Institute for AI（人工智能向量研究所） ； Qualcomm AI Research（高通人工智能研究） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出Do-Undo任务和基准，解决视觉-语言模型在理解并生成由现实动作驱动的场景变换中的关键缺口。通过要求模型模拟现实动作的后果并逆转至原始状态，测试真正的因果理解。实验表明当前模型在动作可逆性上存在困难，凸显评估动作理解的必要性。

Comments Project page: https://s-mahajan.github.io/Do-Undo-Bench/

Editor's Choice: Evaluating Abstract Intent in Image Editing through Atomic Entity Analysis

编辑推荐：通过原子实体分析评估图像编辑中的抽象意图

Mor Ventura, Roy Hirsch, Yonatan Bitton, Regev Cohen, Roi Reichart

机构 * Technion – Israel Institute of Technology（技术ion – 以色列理工学院） ； Google Research（谷歌研究） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出通过原子实体分析评估图像编辑中抽象意图的方法，引入Entity-Rubrics框架并构建AbstractEdit基准，揭示现有模型在平衡意图与保留之间的挑战，强调结合先进LLM和迭代思维的重要性。

UniTriGen: Unified Triplet Generation of Aligned Visible-Infrared-Label for Few-Shot RGB-T Semantic Segmentation

UniTriGen: 一致的可见-红外-标签三元组生成用于少样本RGB-T语义分割

Ping Zhou, Haoyu Wang, Mengmeng Zheng, Lei Zhang, Wei Wei, Chen Ding, Fei Zhou

机构 * School of Computer Science, Northwestern Polytechnical University（西北工业大学计算机学院） ； School of Computer Science & Technology, Xi’an University of Posts & Telecommunications（西安邮电大学计算机科学与技术学院） ； MMLab, The Chinese University of Hong Kong（香港中文大学MMLab） 纠错

专题命中 多模态生成 ：cross-modal(abstract)；分类 cs.CV

AI总结 UniTriGen提出统一三元组生成框架，通过共享潜在空间和扩散过程生成一致的可见-红外-标签三元组，解决少样本RGB-T语义分割中的对齐问题。

GeRM: A Generative Rendering Model From Physically Realistic to Photorealistic

GeRM：从物理真实到照片级的生成渲染模型

Jiayuan Lu, Rengan Xie, Xuancheng Jin, Zhizhen Wu, Qi Ye, Tian Xie, Hujun Bao, Rui Wang. Yuchi Huo

机构 * State Key Lab of CAD\&CG, Zhejiang University ； Zhejiang Lab China ； State Key Laboratory of Industrial Control Technology, Zhejiang University China ； Zhejiang University China ； Zhejiang Lab ； State Key Laboratory of Industrial Control Technology, Zhejiang University ； Zhejiang University 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 GeRM是首个多模态生成渲染模型，通过学习分布转移向量场实现从物理真实到照片级的过渡，结合控制网络和多代理框架提升图像生成质量。

HERO: Hierarchical Extrapolation and Refresh for Efficient World Models

HERO：高效世界模型的分层外推与刷新

Quanjian Song, Xinyu Wang, Donghao Zhou, Jingyu Lin, Cunjian Chen, Yue Ma

专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV

AI总结 HERO通过分层策略提升世界模型推理效率，采用补丁刷新和线性外推技术，在保持质量的同时实现1.73倍加速。

Comments 12 pages in total

When Backdoors Meet Partial Observability: Attacking Real-World Reinforcement Learning

当后门遇见部分可观测性：攻击现实世界的强化学习

Tairan Huang, Qingqing Ye, Yulin Jin, Jiawei Lian, Yaxin Xiao, Yi Wang, Haibo Hu

机构 * Department of Electrical and Electronic Engineering（电气与电子工程系） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出DGBA框架，针对现实世界强化学习中部分可观测性问题，通过扩散引导后门攻击实现稳定攻击激活，实验表明其优于现有方法且不影响正常任务性能。

GeomHair: Reconstruction of Hair Strands from Colorless 3D Scans

GeomHair：从无色3D扫描中重建发丝

Rachmadio Noval Lazuardi, Artem Sevastopolsky, Egor Zakharov, Matthias Niessner, Vanessa Sklyarova

机构 * Technical University of Munich（慕尼黑技术大学） ； ETH Zürich（苏黎世联邦理工学院） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） 纠错

专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV

AI总结 本文提出一种从无色3D扫描直接重建发丝的方法，通过多模态发丝方向提取，结合神经网络2D线检测器和扩散先验，构建了Strands400数据集，支持下游任务和CG工作流。

Comments 15 pages, 9 figures, 1 table

Images in Sentences: Scaling Interleaved Instructions for Unified Visual Generation

图像与句子：扩展交错指令以实现统一的视觉生成

Yabo Zhang, Kunchang Li, Dewei Zhou, Xinyu Huang, Xun Wang

机构 * ByteDance Seed（字节跳动种子） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出INSET模型，通过将图像作为文本指令中的原生词汇，解决复杂交错指令下的视觉生成问题，提升多图像一致性和文本对齐性能。

Structured Diffusion Bridges: Inductive Bias for Denoising Diffusion Bridges

结构化扩散桥：去噪扩散桥的归纳偏置

Eitan Kosman, Gabriele Serussi, Chaim Baskin

机构 * Ben-Gurion University of the Negev（贝纳亚克大学） 纠错

专题命中 多模态生成 ：cross-modal(abstract)；分类 cs.AI

AI总结 本文提出了一种扩散桥框架，通过对可行解空间的刻画和对齐约束限制，实现模态翻译任务，展示了在无配对、半配对和配对场景下的稳定性能，尤其在降低配对要求的同时保持高质量。

Comments Accepted to ICML 2026

EPIC: Efficient Predicate-Guided Inference-Time Control for Compositional Text-to-Image Generation

EPIC: 用于组合文本到图像生成的高效谓词引导推理控制

Sunung Mun, Sunghyun Cho, Jungseul Ok

机构 * Graduate School of Artificial Intelligence, POSTECH（人工智能研究生院，POSTECH） ； Department of Computer Science & Engineering, POSTECH（计算机科学与工程系，POSTECH） 纠错

专题命中 多模态生成 ：MLLM(abstract)；分类 cs.CV

AI总结 EPIC通过谓词引导的搜索方法提升组合式文本到图像生成的准确性，减少计算成本，提升生成质量。

GeoR-Bench: Evaluating Geoscience Visual Reasoning

GeoR-Bench：评估地质学视觉推理

Yushuo Zheng, Zicheng Zhang, Huiyu Duan, Chunyi Li, Zijian Chen, Ziheng Jia, Yue Shi, Ke Gu, Xiongkuo Min, Guangtao Zhai

机构 * Shanghai Jiao Tong University（上海交通大学） ； Beijing University of Technology（北京理工大学） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 GeoR-Bench通过推理引导的视觉编辑任务评估地质学视觉推理，包含440个样本涵盖6类地质学领域和24种任务类型，揭示地质学推理仍是关键瓶颈。

Qwen-Image-2.0 Technical Report

Qwen-Image-2.0 技术报告

Bing Zhao, Chenfei Wu, Deqing Li, Hao Meng, Jiahao Li, Jie Zhang, Jingren Zhou, Junyang Lin, Kaiyuan Gao, Kuan Cao, Kun Yan, Liang Peng, Lihan Jiang, Niantong Li, Ningyuan Tang, Shengming Yin, Tianhe Wu, Xiao Xu, Xiaoyue Chen, Xihua Wang, Yan Shu, Yanran Zhang, Yi Wang, Yilei Chen, Ying Ba, Yixian Xu, Yujia Wu, Yuxiang Chen, Zecheng Tang, Zekai Zhang, Zhendong Wang, Zihao Liu, Zikai Zhou, An Yang, Chen Cheng, Chenxu Lv, Dayiheng Liu, Fan Zhou, Hantian Xiong, Hongzhu Shi, Hu Wei, Huihong Zhao, Ivy Liu, Jianwei Zhang, Jiawei Zhang, Kai Chen, Kang He, Levon Xue, Lin Qu, Linhan Tang, Luwen Feng, Minggang Wu, Minmin Sun, Na Ni, Rui Men, Shuai Bai, Sishou Zheng, Tao Lan, Tianqi Zhang, Tingkun Wen, Wei Wang, Weixu Qiao, Weiyi Lu, Wenmeng Zhou, Xiaodong Deng, Xiaoxiao Xu, Xinlei Fang, Xionghui Chen, Yanan Wang, Yang Fan, Yichang Zhang, Yixuan Xu, Yu Wu, Zhiyuan Ma, Zhizhi Cai

机构 * Qwen Team（通义实验室） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 Qwen-Image-2.0 通过多模态扩散变换器和定制化训练流程，统一高保真生成与精确图像编辑，提升多语言文本精度、高分辨率逼真度及复杂指令遵循能力。

Heteroscedastic Diffusion for Multi-Agent Trajectory Modeling

异方差扩散用于多智能体轨迹建模

Guillem Capellera, Antonio Rubio, Luis Ferraz, Antonio Agudo

机构 * Institut de Robòtica i Informàtica Industrial, CSIC-UPC（机器人与信息学院，CSIC-UPC） 纠错

专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV

AI总结 本文提出U2Diffine模型，通过异方差不确定性估计提升多智能体轨迹补全与预测性能，结合Taylor近似和RankNN实现高效推理与误差概率评估，优于现有方法。

Comments Accepted to IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI). Extended version of arXiv:2503.18589 (CVPR 2025)

Thinking with Novel Views: A Systematic Analysis of Generative-Augmented Spatial Intelligence

以新视角思考：生成增强型空间智能的系统分析

Yanbing Zhang, Bo Wang, Jianhui Liu, Nan Jiang, Jiaxiu Jiang, Haoze Sun, Yijun Yang, Shenghe Zheng, Lin Song, Haoyang Huang, Nan Duan, Wenbo Li

机构 * Joy Future Academy（京东探索研究院） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出TwNV框架，通过生成新视角合成提升空间推理能力，系统实验表明指令格式、生成精度和推理时的视角缩放对性能有显著影响。

Comments Submitted to NeurIPS 2026

Uni-Synergy: Bridging Understanding and Generation for Personalized Reasoning via Co-operative Reinforcement Learning

Uni-Synergy：通过协作强化学习实现个性化推理的理解与生成弥合

Zijun Shen, Sihan Yang, Ruichuan An, Ziyu Guo, Hao Liang, Ming Lu, Renrui Zhang, Wentao Zhang

机构 * Peking University（北京大学） ； Nanjing University（南京大学） ； CUHK（香港中文大学） ； Zhongguancun Academy（中关村学院） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出Sync-R1框架，通过协作强化学习统一优化个性化理解和生成，结合Sync-GRPO和DGS方法提升双任务协同效率，实验证明其在跨任务推理和鲁棒个性化方面的优越性能。

Diffusion Masked Pretraining for Dynamic Point Cloud

动态点云的扩散掩码预训练

Zhuoyue Zhang, Jihua Zhu, Chaowei Fang, Jian Liu, Ajmal Saeed Mian

机构 * Xi’an Jiaotong University（西安交通大学） ； School of Artificial Intelligence and Robotics, Hunan University（湖南大学人工智能与机器人学院） ； University of Western Australia（西澳大学） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出DiMP框架，通过引入扩散建模解决动态点云预训练中位置泄露和运动监督问题，提升下游任务性能。

GPO-V: Jailbreak Diffusion Vision Language Model by Global Probability Optimization

GPO-V：通过全局概率优化实现扩散视觉语言模型的突破

Yu Pan, Andi Zhang, Yi Wang, Sibei Yang, Wenjie Wang

机构 * ShanghaiTech University（上海科技大学） ； University of Warwick（沃里克大学） ； SUN YAT-SEN UNIVERSITY（中山大学） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.CV

AI总结 本文提出GPO-V，通过全局概率优化方法突破扩散视觉语言模型的安全防线，揭示了非顺序生成架构中的关键安全漏洞。

EAM: Enhancing Anything with Diffusion Transformers for Blind Super-Resolution

EAM: 利用扩散变换器提升盲超分辨率

Haizhen Xie, Kunpeng Du, Qiangyu Yan, Sen Lu, Jianhong Han, Hanting Chen, Hailin Hu, Jie Hu

机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

专题命中 多模态生成 ：multi-modal(abstract)；分类 cs.CV

AI总结 本文提出EAM模型，利用DiT架构提升盲超分辨率，引入Ψ-DiT块和渐进性掩码图像建模策略，实现更优的图像恢复效果。

Comments Revision of Section 4.1

An Interdisciplinary and Cross-Task Review on Missing Data Imputation

关于缺失数据填补的跨学科和跨任务综述

Jicong Fan

机构 * School of Data Science（数据科学学院） 纠错

专题命中 多模态生成 ：multimodal(abstract)；分类 cs.AI

AI总结 本文综述了缺失数据填补的核心概念和方法，涵盖不同领域和数据类型，分析了填补方法的分类和应用，并探讨了填补与下游任务的整合及未来研究方向。

Journal ref Foundations and Trends in Signal Processing, Vol. 20, No. 3, pp. 185-317, 2026