作者
Computer Vision
基于单图像分析合成自底向上的重复元素建模
机构 * LIGM（LIGM机构） ； CNRS（法国国家科学研究中心） ； Univ Gustave Eiffel（古斯塔夫·埃菲尔大学） ； ENPC（法国国立路桥学校） ； Institut Polytechnique de Paris（巴黎综合理工学院） ； UC Berkeley（加州大学伯克利分校）
AI总结 本文提出一种自底向上的单图像重复元素发现方法，通过重建目标学习可调原型，无需标注或分割，在FSC-147上验证了其有效性与可解释性。
Comments Accepted to ECCV 2026. Project page: https://vayvi.github.io/repeated-elements/
在流匹配中平衡频率与像素
机构 * École Polytechnique（巴黎综合理工学院） ； CNRS（法国国家科学研究中心） ； IP Paris（巴黎理工学院） ； AMIAD ； École Nationale des Ponts et Chaussées（巴黎路桥学院） ； UGE（巴黎第八大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 本研究针对像素空间流模型训练的频谱失衡问题，提出Focal Log-Frequency Loss（f-loss），结合频率与像素监督的训练策略，可将流匹配收敛速度提升最高40%，同时改善FID和感知保真度。
视觉相似性的多种意义：一种文本提示的图像感知度量
AI总结 研究人类视觉相似性判断的上下文依赖问题，通过引入大规模数据集微调VLM，产生能捕捉多种视觉相似性意义的TPIPS度量，该度量与人类感知更契合，还在多种任务中开启新功能。
Comments Project Webpage: https://peterwang512.github.io/TPIPS Code: https://github.com/adobe-research/TPIPS
电影的自回归建模及其在视频蒙太奇中的应用
机构 * TTI-Chicago（芝加哥丰田理工学院） ； Adobe（奥多比公司） ； Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University（捷克技术大学捷克信息学、机器人学与控制论研究所） ； UC Berkeley（加州大学伯克利分校）
AI总结 研究针对视频蒙太奇挑战，提出FilmGPT自回归Transformer，通过在电影语料库训练捕捉电影“语法”，推理时用镜头约束解码算法选最佳镜头，在镜头预测和电影编辑任务中表现出色，还适用于多种视频蒙太奇应用。
Journal ref SIGGRAPH Conference Papers '26, Article 129, 1-11, ACM, 2026
FID 彩票：量化生成模型评估中的隐藏随机性
机构 * Kyutai ； UC Berkeley（加州大学伯克利分校）
AI总结 研究FID作为随机变量在训练和生成种子上的方差，发现重训练比重采样导致更大FID波动，提出新评估协议：使用每类最优引导、报告多个训练种子的误差条。
Comments Website: https://kyutai.org/fid-lottery
神经元群体随规模表现出分化的选择性
机构 * UC Berkeley（加州大学伯克利分校） ； TTIC
AI总结 通过分析Rosetta神经元在不同规模模型中的分布与特性，发现其数量遵循次线性幂律增长，且选择性随规模增强，而非Rosetta神经元则保持低选择性，提出一个平衡特征效用与神经元容量的分析模型解释这一极化现象。
Comments Project page and code: https://avdravid.github.io/rosetta-neuron-scaling/
回到柏拉图的洞穴：大规模检验跨模态表示收敛性
机构 * UC Berkeley（伯克利大学） ； Technical University Munich, MCML（慕尼黑技术大学） ； University of Tübingen, Tübingen AI Center（图宾根大学） ； Toyota Technical Institute at Chicago（芝加哥丰田技术研究所）
AI总结 本文通过大规模数据集实验，质疑了柏拉图表示假说中跨模态表示收敛的证据，发现对齐度随数据规模增大而显著下降，且仅反映粗粒度语义重叠。
Comments Project page: http://akoepke.github.io/cave_umwelten/
迟到也不晚：通过噪声优化在训练好的扩散模型中恢复崩溃
机构 * UC Berkeley（加州大学伯克利分校） ； University of Tübingen, Tübingen AI Center（图宾根大学，图宾根人工智能中心） ； TU Munich, MCML（慕尼黑工业大学，MCML）
AI总结 本文通过噪声优化提升扩散模型生成多样性，减少模式崩溃，同时保持基础模型的保真度。
Comments CVPR 2026. Project page at https://akoepke.github.io/divgen/index.html
文生图模型的快速数据归因方法
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Adobe Research（Adobe研究） ； UC Berkeley（伯克利大学）
AI总结 针对现有文生图模型数据归因方法计算成本高、难以落地的问题，提出将基于遗忘的慢速归因蒸馏到特征嵌入空间的高效方法，在两类模型上实现数千至数十万倍提速，性能达标。
Comments NeurIPS 2025 camera ready. Project page: https://peterwang512.github.io/FastGDA
视觉Transformer不需要训练寄存器
机构 * UC Berkeley（伯克利大学）
AI总结 本文发现视觉Transformer中高范数标记由稀疏寄存器神经元引起，提出无需训练的测试时寄存器方法，通过转移激活至未训练标记，提升下游任务性能并媲美训练寄存器模型。
Comments Project page and code: https://avdravid.github.io/test-time-registers. Accepted to NeurIPS '25 (spotlight)
模拟之声：利用生成式音频学习多模态仿真到现实的机器人策略
机构 * University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出 MultiGen 框架，将生成式音频模型集成到物理仿真器中，在无真实机器人数据的情况下实现机器人倾倒任务的多模态仿真到现实零样本迁移。
Comments Conference on Robot Learning 2025
IT$^3$：幂等测试时训练
AI总结 本文提出幂等测试时训练（IT$^3$），利用幂等性替代辅助任务，仅用当前测试实例实现分布偏移的实时适应，并在多个领域和架构上优于现有方法。
Comments Accepted at ICML 2025
优先化生成回放
机构 * Department of Electrical Engineering and Computer Science（电气工程与计算机科学系） ； University of California, Berkeley（加州大学伯克利分校）
AI总结 本文提出优先化生成回放方法，用条件扩散模型对在线经验进行参数化记忆和稠密化，并通过相关性函数引导生成更有用的转移，从而提升在线强化学习的性能和样本效率。
Comments Project page available at: https://pgenreplay.github.io
重新思考掩码自编码器中的图像块依赖性
机构 * UC Berkeley（加州大学伯克利分校） ； UCSF（加州大学旧金山分校）
AI总结 本文通过分解MAE解码机制发现其重建依赖编码器全局表示而非解码器内图像块交互，据此提出仅用交叉注意力的CrossMAE框架，在ViT-S到ViT-H上以更低计算成本取得与传统MAE相当或更优的性能。
Comments Transactions on Machine Learning Research (TMLR) 2025
视觉叠叠乐：通过反事实修复发现物体依赖关系
机构 * Toyota Technological Institute at Chicago（芝加哥丰田技术学院） ； University of California, Berkeley（加利福尼亚大学伯克利分校）
AI总结 本文提出“视觉叠叠乐”任务，通过逐步移除物体揭示场景依赖，并利用成对关系不对称性与大型修复模型生成反事实来量化，提出一种简单有效的无需训练方法。
Comments project page: https://visualjenga.github.io/
通过反学习合成图像实现文本到图像模型的数据归因
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Adobe Research（奥多比研究院） ； UC Berkeley（加州大学伯克利分校）
AI总结 针对文本到图像模型的数据归因需反复重训练、成本过高的问题，本文提出模拟反学习合成图像并依据损失偏差识别影响训练样本的高效方法，且经金标准重训练验证优于已有方法。
Comments NeurIPS 2024 camera ready version. Project page: https://peterwang512.github.io/AttributeByUnlearning Code: https://github.com/PeterWang512/AttributeByUnlearning
解读CLIP中神经元的二阶效应
机构 * UC Berkeley（加州大学伯克利分校）
AI总结 针对CLIP神经元功能解读难题，提出“二阶透镜”分析其通过后续注意力头直接流向输出的效应，揭示多义性并用于批量生成语义对抗样本与零样本分割，性能更优且拓展模型能力。
Comments project page: https://yossigandelsman.github.io/clip_neurons/index.html
GPS作为图像生成的控制信号
机构 * University of Michigan（密歇根大学） ； UC Berkeley（加州大学伯克利分校）
AI总结 本研究利用照片元数据中的GPS标签作为控制信号，训练条件扩散模型生成随位置变化的图像，并通过分数蒸馏采样提取三维模型，验证了GPS条件化对图像生成和三维结构估计的有效性。
Comments Project page: https://cfeng16.github.io/gps-gen/
连续3D感知模型与持久状态
机构 * University of California, Berkeley（加州大学伯克利分校） ； Google DeepMind（谷歌DeepMind）
AI总结 提出统一框架CUT3R，利用持续更新的状态递归模型在线生成度量尺度点图，实现3D重建与未观测区域推断，在多种3D/4D任务上达到先进水平。
视频流上的测试时训练
机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； Meta AI ； UC San Diego（加州大学圣迭戈分校）
AI总结 本文提出面向视频流的 online TTT，利用当前帧与邻近历史帧在线更新模型，在真实视频的分割等任务上显著超过固定模型及离线 TTT。
Comments Project website with videos, dataset and code: https://test-time-training.github.io/video
基于3D控制的运动人物合成
机构 * UC Berkeley（加州大学伯克利分校）
AI总结 提出基于扩散模型的框架，通过学习不可见部分先验和3D姿态控制渲染，从单张图像生成忠实于目标3D运动且视觉相似的人物动画。
将分数蒸馏重新思考为图像分布之间的桥梁
机构 * UC Berkeley（加州大学伯克利分校） ； University of Maryland（马里兰大学）
AI总结 该研究将分数蒸馏采样重新解读为图像分布间的最优传输路径，指出其伪影源于路径线性近似与源分布估计差，通过校准源分布文本条件以低开销实现多领域高质量生成，性能优于现有专用方法。
Comments NeurIPS 2024. Project webpage: https://sds-bridge.github.io/
Toon3D: 从新视角观看卡通作品
机构 * UC Berkeley（加州大学伯克利分校）
AI总结 针对卡通动漫图像几何不一致导致现有SfM方法失效的问题，提出Toon3D方法，通过变形输入图像结合单目深度引导恢复3D结构，构建了对应数据集，实验证明其能得到更可靠的相机位姿与场景几何，可支持新视角观看卡通。
Comments Please see our project page: https://toon3d.studio
定制化扩散模型权重空间的可解释性研究
机构 * UC Berkeley（加州大学伯克利分校） ； Snap Inc.（Snap公司） ； Stanford University（斯坦福大学）
AI总结 本文通过构建超过60,000个定制化扩散模型的数据集，提出weights2weights权重子空间，并展示其在采样、编辑和反演中的应用，证明微调扩散模型的权重空间可作为可解释的元潜在空间生成新模型。
Comments Project Page: https://snap-research.github.io/weights2weights
评估人类与图像模型中的多视图对象一致性
机构 * University of California, Berkeley（加利福尼亚大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院）
AI总结 本文构建多视图三维形状推断基准，采集人类选择、反应时间与注视数据，并评估DINOv2、MAE和CLIP，发现人类显著优于模型且在困难试验中投入更多加工。
Comments Project page: https://tzler.github.io/MOCHI/ Code: https://github.com/tzler/mochi_code Huggingface dataset: https://huggingface.co/datasets/tzler/MOCHI
机构 * Ecole des Ponts（巴黎路桥学院） ； Univ Gustave Eiffel（Gustave Eiffel大学） ； CNRS（法国国家科学研究中心） ； University of California, Berkeley（加州大学伯克利分校）
Comments Project Page: https://diff-mining.github.io/ Accepted in ECCV 2024
机构 * UC San Deigo（加州大学圣地亚哥分校） ； NVIDIA（英伟达公司） ； UC Berkeley（加州大学伯克利分校）
Comments Project Page: https://oasisyang.github.io/colmap-free-3dgs
机构 * UC Berkeley（加州大学伯克利分校）
Comments Project page and code: https://yossigandelsman.github.io/clip_decomposition/
机构 * UC Berkeley（加州大学伯克利分校） ； Google Research（谷歌研究院）
机构 * LIGM, Ecole des Ponts, Univ Gustave Eiffel（LIGM，巴黎高科桥梁学校，古斯塔夫·埃菲尔大学） ； UC Berkeley（加州大学伯克利分校）
Comments Project webpage with code and videos: https://www.tmonnier.com/DBW. V2 update includes comparisons based on NeuS, hyperparameter analysis and failure cases
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