Latent Watermark: Inject and Detect Watermarks in Latent Diffusion Space
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
针对图像质量与水印鲁棒性难以兼顾的困境,提出在潜在扩散空间中注入和检测水印的Latent Watermark方法,采用渐进式训练策略缓解二者矛盾,在多项指标和攻击测试下显著优于现有方法。
2024-09-26 cs.CV
Qwen-Image-VAE-2.0 Technical Report
Qwen Team(通义实验室)
Qwen-Image-VAE-2.0 提出了一种高压缩变分自编码器,通过改进架构和训练方法,提升了重建保真度和扩散能力,同时引入了新的评估基准。
2026-05-13 cs.CV
LatentCRF: Continuous CRF for Efficient Latent Diffusion
Google Research(谷歌研究院);Stony Brook University(石溪大学)
针对LDM多次推理迭代导致延迟的问题,提出作为神经网络层的连续CRF模型LatentCRF,通过建模潜在向量间关系替代部分计算密集的推理迭代,在无质量和多样性损失下将推理效率提升33%,且无需修改原LDM。
2024-12-24 cs.CV
Photorealistic and Identity-Preserving Image-Based Emotion Manipulation with Latent Diffusion Models
National Technical University of Athens(雅典国立技术大学)
本文提出一种结合潜在扩散模型与CLIP潜在表示的图像情感操控方法,在AffectNet上验证其在图像质量和真实感方面优于多种GAN方法,并公开代码。
2023-08-06 cs.CV
Latent-Reframe: Enabling Camera Control for Video Diffusion Model without Training
University of Rochester(罗切斯特大学)
针对现有视频扩散模型相机控制需微调、成本高且破坏预训练分布的问题,提出Latent-Reframe方法,在采样阶段通过时间感知点云对齐潜码并优化,无需训练即可实现相当或更优的控制精度与视频质量。
2024-12-08 cs.CV
Latent Beam Diffusion Models for Generating Visual Sequences
NOVA LINCS, NOVA School of Science and Technology(NOVA LINCS、NOVA科学与技术学校)
本文提出BeamDiffusion,通过潜在空间束搜索与交叉注意力剪枝实现图像序列的条件生成,解决扩散模型在序列生成中的视觉一致性问题,实验证明其在连贯性、视觉连续性和文本对齐方面优于基线方法。
2025-09-20 cs.CV
BeautyBank: Encoding Facial Makeup in Latent Space
CyberAgent;The University of Tokyo(东京大学)
本文提出BeautyBank妆容编码器,将妆容图案特征解耦并编码到高维潜空间,结合渐进式妆容微调策略,实现妆容注入生成与相似度度量,并构建了32.4万对高清成对数据集BMS。
2024-11-24 cs.CV
FlowIID: Single-Step Intrinsic Image Decomposition via Latent Flow Matching
FlowIID通过潜在流匹配实现单步内在图像分解,具有参数高效和高效推理的特点,适用于资源受限和实时视觉应用。
2026-01-18 cs.CV
Synthesizing Coherent Story with Auto-Regressive Latent Diffusion Models
University of Waterloo(滑铁卢大学);Alibaba Group(阿里巴巴集团);Vector Institute(向量研究所)
条件扩散模型已经证明了最先进的文本到图像的合成能力。近年来,大部分的工作集中在合成独立的图像,而对于现实世界的应用,它是常见的和必要的,以产生一系列连贯的图像的故事。在这项工作中,我们主要专注于故事可视化和延续任务,并提出了AR-LDM,一个潜空间扩散模型自回归条件下的历史字幕和生成的图像。此外,AR-LDM可以通过适应性推广到新的字符。据我们所知,这是第一个成功地利用扩散模型连贯的视觉故事合成的工作。定量结果表明,AR-LDM在PororoSV、FlintstonesSV和新引入的包含自然图像的挑战性数据集VIST上实现了SoTA FID评分。大规模的人类评估表明,AR-LDM在质量,相关性和一致性方面具有优越的性能。
2022-11-20 cs.CV
One-Shot Face Video Re-enactment using Hybrid Latent Spaces of StyleGAN2
University of Maryland(马里兰大学)
虽然最近的研究已经在StyleGAN的高保真肖像生成的帮助下逐步克服了单次面部视频再现的低分辨率约束,但这些方法依赖于以下中的至少一个:显式2D/3D先验、基于光流的变形作为运动描述符、现成的编码器等,这限制了它们的性能(例如,不一致的预测、不能捕捉精细的面部细节和附件、差的概括、伪像)。我们提出了一个端到端的框架,同时支持面部属性编辑,面部运动和变形,以及面部身份控制视频生成。它采用混合潜在空间,将给定帧编码为一对潜在:身份潜在$\mathcal{W}_{ID}$和面部变形潜在$\mathcal{S}_F$,它们分别位于StyleGAN 2的$W+$和$SS$空间中。因此,结合了$W+$令人印象深刻的可编辑性-失真权衡和$SS$的高解缠结特性。这些混合潜伏期采用StyleGAN 2生成器在$1024^2$上实现高保真度面部视频重演。此外,该模型支持生成具有其他基于潜在的语义编辑(例如,胡子、年龄、化妆等)。对国家的最先进的方法进行定性和定量分析表明所提出的方法的优越性。
2023-02-15 cs.CV
CAT: Contrastive Adversarial Training for Evaluating the Robustness of Protective Perturbations in Latent Diffusion Models
Department of Computer Science, City University of Hong Kong, Kowloon, Hong Kong SAR(香港城市大学计算机科学系)
该研究揭示潜在扩散模型中保护性对抗样本的起效机制,提出基于轻量适配器的对比对抗训练CAT方法攻击防护手段,证明其鲁棒性不足,推动相关防护的改进。
2025-06-16 cs.CV
Part-aware Shape Generation with Latent 3D Diffusion of Neural Voxel Fields
School of Computer, National University of Defense Technology(计算机学院,国防科技大学)
本文提出一种新型潜在3D扩散模型用于生成神经体素场,通过引入高分辨率潜在3D扩散过程和部件感知形状解码器,实现了高质量的部件分解与渲染,在四类数据上优于现有最先进方法。
2025-05-01 cs.CV
Controllable Mesh Generation Through Sparse Latent Point Diffusion Models
Shanghai AI Laboratory(上海人工智能实验室);Shanghai Jiao Tong University(上海交通大学);The Chinese University of Hong Kong(香港中文大学);Tsinghua University(清华大学)
网格生成在计算机图形学和虚拟内容等领域具有重要的应用价值,但由于网格的数据结构不规则和同类网格拓扑结构不一致,网格生成模型的设计具有挑战性。在这项工作中,我们设计了一种新的稀疏潜在点扩散模型的网格生成。我们的关键见解是把点云作为网格的中间表示,并模拟点云的分布。虽然网格可以通过像点形状(SAP)这样的技术从点云生成,但可以有效地避免直接生成网格的挑战。为了提高我们的网格生成方法的效率和可控性,我们建议进一步编码点云到一组稀疏的潜在点与逐点语义有意义的功能,其中两个DDPM是在稀疏的潜在点的空间中训练,分别模拟潜在点的位置和功能在这些潜在点的分布。我们发现在这个潜在空间中进行采样比直接对密集点云进行采样更快。此外,稀疏的潜在点也使我们能够显式地控制生成的网格的整体结构和局部细节。在ShapeNet数据集上进行了大量的实验,与现有方法相比,我们提出的稀疏潜在点扩散模型在生成质量和可控性方面具有优异的性能。
2023-03-15 cs.CV
Controlled GAN-Based Creature Synthesis via a Challenging Game Art Dataset -- Addressing the Noise-Latent Trade-Off
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
最先进的StyleGAN 2网络支持创建和编辑艺术的强大方法,包括生成随机图像,查找图像“喜欢”某些查询,以及修改内容或风格。此外,最近的进步使训练与小数据集。我们将这些方法应用于合成卡片艺术,通过在一个新的Yu-Gi-Oh数据集上进行训练。虽然StyleGAN 2的噪声输入对于良好的合成至关重要,但我们发现粗尺度噪声会干扰该数据集上的潜变量,因为两者都控制着长尺度图像效果。我们通过潜变量编辑观察到艺术中过度激进的变化,以及噪音和弱内容控制的变化。在这里,我们证明了训练一个修改后的StyleGAN 2,其中粗尺度噪声被抑制,消除了这些不必要的影响。我们获得了一个优越的FID;噪声的变化导致局部探索的风格;和身份控制显着改善。这些结果和分析为所有技能水平的数字艺术家提供了GAN辅助的艺术合成工具,可用于电影,游戏或任何创意产业的艺术构思。
2021-10-20 cs.CV
Zero-Shot Video Restoration and Enhancement with Text-to-Image Latent Diffusion Models and Multi-Modal References
School of Electrical and Information Engineering, Tianjin University(天津大学电气自动化与信息工程学院);Lappeenranta-Lahti University of Technology LUT(拉彭兰塔-拉赫蒂理工大学(LUT))
该研究针对文本到图像潜在扩散模型用于视频恢复时出现的时间闪烁问题,提出结合多模态参考的零样本视频恢复增强框架,通过双提示调优反演采样等技术提升效率与时间一致性,实验验证其优越性。
2026-08-28 cs.CV
High-Fidelity Medical Shape Generation via Skeletal Latent Diffusion
本文提出了一种骨骼潜在扩散框架,通过结合结构先验实现高效高保真医学形状生成,并构建了大规模MedSDF数据集以提升生成质量与效率。
2026-03-12 cs.CV
Latent-Compressed Variational Autoencoder for Video Diffusion Models
Aalto University(阿alto大学);ELLIS Institute Finland(ELLIS研究所芬兰);University of Oulu(奥卢大学)
本文提出一种潜在压缩方法,通过去除视频潜在表示中的高频成分而非直接减少通道数,提升视频生成质量与压缩效率。
2026-04-12 cs.AI cs.CV
LatentEditor: Text Driven Local Editing of 3D Scenes
Center for Research in Computer Vision, University of Central Florida(中佛罗里达大学计算机视觉研究中心);Department of Computer Science, Wayne State University(韦恩州立大学计算机科学系)
针对神经场编辑难度大的问题,提出LatentEditor框架,通过扩散模型嵌入场景、delta分数生成掩码、IP2P评分迭代更新实现文本驱动的3D场景局部编辑,在四个基准数据集上实现更快速度与更优质量。
2024-07-13 cs.AI cs.CV
Exploring and Exploiting Hubness Priors for High-Quality GAN Latent Sampling
Cardiff University(卡迪夫大学)
尽管对生成对抗网络(GANs)进行了广泛的研究,但如何从其潜在空间中可靠地采样高质量图像仍然是一个未充分探索的话题。在本文中,我们提出了一种新的GAN潜在的抽样方法,通过探索和利用的hubness先验GAN潜在的分布。我们的关键见解是,GAN潜在空间的高维性将不可避免地导致中心潜在空间的出现,这些中心潜在空间通常具有比潜在空间中的其他潜在空间大得多的采样密度。因此,这些中心潜伏期得到了更好的训练,从而为高质量图像的合成做出了更多贡献。与后验“樱桃采摘”不同,我们的方法是高效的,因为它是一种先验方法,在合成图像之前识别高质量的潜伏期。此外,我们还证明了著名的纯经验截断技巧是对中心潜伏期的中心聚类效应的一种朴素近似,这不仅揭示了截断技巧的基本原理,也表明了我们方法的优越性和基础性.大量的实验结果证明了该方法的有效性。
2022-06-13 cs.CV cs.LG
LOHO: Latent Optimization of Hairstyles via Orthogonalization
University of Toronto(多伦多大学);Modiface Inc.(Modiface公司);University of Guelph(圭尔夫大学);Vector Institute(矢量研究所)
由于源头发和目标头发的头发结构差异,发型转移具有挑战性。因此,我们提出了潜在的优化发型通过优化(LOHO),一种基于优化的方法,使用GAN反演填充丢失的头发结构细节在潜在的空间在发型转移。我们的方法将头发分解为三个属性:感知结构,外观和风格,并包括量身定制的损失,以独立地对这些属性中的每一个进行建模。此外,我们提出了两个阶段的优化和梯度正交化,使解开潜在空间优化我们的头发属性。使用LOHO进行潜在空间操作,用户可以通过单独或联合操作头发属性,从参考发型中转移所需的属性来合成新颖的真实感图像。LOHO实现了一个优越的FID相比,目前国家的最先进的(SOTA)的发型转移。此外,LOHO根据PSNR和SSIM与SOTA图像嵌入管道相比,很好地保留了主体的身份。代码可在https://github.com/dukebw/LOHO上获得。
2021-03-10 cs.CV cs.LG
Diverse Video Captioning Through Latent Variable Expansion
利用文本描述自动描述视频内容是一项具有挑战性的重要任务,一直是计算机视觉领域的研究热点。以往的工作主要追求生成句子的准确性,而忽略了句子的多样性,这与人类的行为是不一致的。在本文中,我们的目标是为每个视频添加多个描述,并提出了一个新的框架。具体地说,对于一个给定的视频,传统的编码-解码过程的中间潜变量被用作输入到条件生成对抗网络(CGAN)的目的是生成不同的句子。我们采用不同的卷积神经网络(CNN)作为我们的生成器,生成以潜在变量为条件的描述,并评估生成句子的质量。同时,设计了一种新的DCE指标来评估不同的字幕。我们在基准数据集上评估了我们的方法,在那里它展示了它生成不同描述的能力,并与其他最先进的方法相比取得了优异的结果。
2021-06-15 cs.CV cs.LG
FLUID: Training-Free Face De-identification via Latent Identity Substitution
Kyungpook National University(庆尚国立大学)
FLUID通过在预训练扩散模型的潜在空间中直接替换身份特征,实现了无需训练的面部去标识化,有效平衡了身份抑制与属性保持。
2026-01-06 cs.AI cs.CV
HuTuMotion: Human-Tuned Navigation of Latent Motion Diffusion Models with Minimal Feedback
Northwest A&F University(西北农林科技大学);Tencent AI Lab(腾讯AI实验室);The University of Melbourne(墨尔本大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本研究提出HuTuMotion方法,通过少样本人工反馈调整潜在运动扩散模型的先验分布,以少量反馈实现与大量人工反馈相当的生成效果,性能显著优于现有最先进方法,可用于个性化、风格感知的人体运动生成。
2023-12-19 cs.AI cs.CV
LatentExplainer: Explaining Latent Representations in Deep Generative Models with Multimodal Large Language Models
Emory University(埃默里大学);University College London(伦敦大学学院)
LatentExplainer通过多模态大语言模型为深度生成模型的潜在变量生成语义解释,提升模型可解释性。
2025-12-18 cs.CL cs.CV cs.LG
A Generic Approach for Enhancing GANs by Regularized Latent Optimization
State University of New York at Buffalo(纽约州立大学布法罗分校);Microsoft Research, Redmond(微软研究院(雷德蒙德))
随着模型复杂性和数据量的快速增长,训练深度生成模型(DGMs)以获得更好的性能已经成为一个越来越重要的挑战。以往的研究主要集中在通过引入新的目标函数或设计更具表现力的模型结构来改进DGMs。然而,这样的方法通常引入显著更多的计算和/或设计开销。为了解决这些问题,我们在本文中介绍了一个通用的框架,称为{ \em生成模型推理},能够有效地增强预训练的GANs,无缝地在各种应用场景。我们的基本思想是使用Wasserstein梯度流技术有效地推断给定需求的最佳潜在分布,而不是重新训练或微调预训练的模型参数。在图像生成、图像翻译、文本到图像生成、图像修补和文本引导的图像编辑等应用上的大量实验结果表明了我们提出的框架的有效性和优越性。
2021-12-07 cs.CV cs.LG
CASL: Concept-Aligned Sparse Latents for Interpreting Diffusion Models
University of Virginia(弗吉尼亚大学)
CASL通过监督框架将扩散模型的稀疏潜在维度与语义概念对齐,提升生成图像的解释性和编辑精度。
2026-01-21 cs.CV cs.LG
End-to-end Face-swapping via Adaptive Latent Representation Learning
Xi’an Jiaotong University(西安交通大学)
充分利用StyleGAN的优良性能,基于风格转换的人脸交换方法近年来得到了广泛的研究。然而,这些研究需要单独的人脸分割和混合模块,成功的人脸交换,和固定的选择在这些作品中的操作的潜在代码是鲁莽的,从而降低了人脸交换的质量,通用性和实用性。本文提出了一种新的和端到端的集成框架,通过自适应潜在表示学习的高分辨率和属性保留的人脸交换。具体而言,我们首先设计了一个多任务双空间人脸编码器,通过共享底层的特征提取网络,同时完成人脸区域感知和人脸编码。该编码器使我们能够单独控制面部姿势和属性,从而提高面部交换质量。接下来,我们提出了一个自适应的潜在代码交换模块,以自适应地学习面部属性和潜在代码之间的映射,并选择有效的潜在代码,以提高面部属性的保留。最后,StyleGAN2生成的初始人脸交换图像与我们的编码器生成的人脸区域掩码混合,以解决背景模糊问题。我们的框架将面部感知和融合集成到端到端的训练和测试过程中,可以在没有分割掩模的情况下在野生面部上实现高真实度的面部交换。实验结果表明,我们的方法优于国家的最先进的方法的性能。
2023-03-07 cs.AI cs.CV
Video Probabilistic Diffusion Models in Projected Latent Space
KAIST(韩国科学技术院);Google Research(谷歌研究院)
尽管在深度生成模型方面取得了显着进展,但由于其高维性和复杂的时间动态以及大的空间变化,合成高分辨率和时间相干的视频仍然是一个挑战。最近的工作扩散模型已经显示出他们的潜力,以解决这一挑战,但他们遭受严重的计算和内存效率低下,限制了可扩展性。为了解决这个问题,我们提出了一种新的生成模型的视频,创造投影潜在视频扩散模型(PVDM),概率扩散模型,学习视频分布在一个低维的潜在空间,从而可以有效地训练与高分辨率的视频在有限的资源。具体来说,PVDM由两个组件组成:(a)一个自动编码器,它将给定的视频投影为2D形状的潜在向量,这些潜在向量对视频像素的复杂立方结构进行因式分解;以及(b)一个扩散模型架构,专门用于我们新的因式分解潜在空间和训练/采样过程,以便用单个模型合成任意长度的视频。在流行的视频生成数据集上的实验证明了PVDM与以前的视频合成方法相比的优越性;例如,PVDM在UCF-101长视频(128帧)生成基准上获得639.7的FVD分数,这提高了现有技术的1773.4。
2023-03-30 cs.CV cs.LG
Two-in-One: Unified Multi-Person Interactive Motion Generation by Latent Diffusion Transformer
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院)
提出一种基于潜在扩散Transformer的统一方法,在单一潜在空间内建模多人动作及其交互,通过VAE压缩和扩散过程提升生成质量与效率。
2024-12-21 cs.CV cs.GR
Adaptive Clinical-Aware Latent Diffusion for Multimodal Brain Image Generation and Missing Modality Imputation
ACADiff通过自适应临床感知扩散模型,实现多模态脑图像生成与缺失模态插值,提升阿尔茨海默病诊断的准确性和鲁棒性。
2026-03-10 cs.AI cs.CV
Compress3D: a Compressed Latent Space for 3D Generation from a Single Image
Xi’an Jiaotong University(西安交通大学);International Digital Economy Academy (IDEA)(国际数字经济学院(IDEA))
提出三平面自动编码器构建紧凑潜在空间,结合3D感知交叉注意力机制与双条件扩散模型,从单张图像仅需7秒即可生成高质量3D资产,性能优于现有算法且显著降低训练成本。
2024-03-20 cs.AI cs.CV
Fuse Your Latents: Video Editing with Multi-source Latent Diffusion Models
Fudan University(复旦大学);National Institute of Informatics(信息学研究所);Tencent(腾讯)
针对文本到视频编辑存在的时间一致性差、结构不佳等问题,提出无需训练的FLDM框架,通过带调度超参数融合图像与视频潜变量,实现两类LDM互补,可作为通用插件提升现成模型的视频编辑质量,效果优于现有最优方法。
2024-10-08 cs.AI cs.CV
Single Mesh Diffusion Models with Field Latents for Texture Generation
Google Research(谷歌研究院);PlayStation
提出直接在3D表面操作的场潜变量扩散模型框架,通过离散向量场编码纹理并学习去噪,实现高质量单网格纹理生成、编辑与迁移。
2024-05-28 cs.CV cs.GR cs.LG
Unpaired Image-to-Image Translation via Latent Energy Transport
University at Buffalo SUNY(纽约州立大学布法罗分校)
图像到图像翻译的目的是在两个视觉域之间转换为有区别的目标风格的同时保留源内容。大多数作品在环境图像空间中应用对抗学习,这可能在计算上是昂贵的,并且对训练具有挑战性。在本文中,我们建议在预训练的自动编码器的潜在空间中部署基于能量的模型(EBM)。预训练的自动编码器既充当潜在代码提取器又充当图像重建工作器。我们的模型,LETIT,是基于这样的假设,即两个域共享相同的潜在空间,其中潜在的表示被隐式地分解为内容代码和特定于域的样式代码。我们的潜在EBM可以隐式地学习将源样式代码传输到目标样式代码,同时保留内容代码,而不是显式地提取这两个代码并应用自适应实例规范化来组合它们,这是现有图像翻译方法的优势。这种简化的解决方案在单侧未配对图像平移设置中也更有效。定性和定量的比较证明了卓越的翻译质量和忠实的内容保存。据我们所知,我们的模型是第一个适用于1024 $\times$ 1024分辨率不成对图像翻译的模型。
2021-05-23 cs.CV cs.LG stat.ML
LatentAugment: Data Augmentation via Guided Manipulation of GAN's Latent Space
University Campus-Biomedico of Rome(罗马生物医学大学校园);Umeå University(于默奥大学)
针对标准数据增强多样性有限、GAN模式覆盖差难以用于数据增强的问题,提出无监督的LatentAugment策略,通过引导操纵GAN潜向量提升合成样本的多样性与保真度,在MRI转CT任务中效果优于现有方法。
2023-07-21 cs.CV cs.LG eess.IV
Acoustic anomaly detection via latent regularized gaussian mixture generative adversarial networks
East China Normal University(华东师范大学);Shanghai Jiao Tong University(上海交通大学)
声波异常检测的目的是区分异常声波信号和正常声波信号。它存在着阶级不平衡问题和非正常情况的缺乏。此外,收集各种异常或未知样本用于训练目的是不切实际且耗时的。提出了一种基于半监督学习框架的高斯混合生成对抗网络(GMGAN),该网络不仅可以在谱图重构空间中捕获训练数据的底层结构,还可以在潜在表征空间中以判别的方式进一步限制训练数据的底层结构。实验结果表明,该模型具有明显的优越性,并取得了最先进的结果在DCASE数据集。
2020-02-05 cs.CV cs.LG cs.SD
SILO: Solving Inverse Problems with Latent Operators
Technion - Israel Institute of Technology(以色列理工学院)
本文提出SILO方法,利用潜在空间中的学习退化算子处理逆问题,减少自编码器使用次数,实现更快的采样和更优的图像恢复质量。
2025-01-20 cs.AI cs.CV cs.LG
Learning Latent Space Hierarchical EBM Diffusion Models
Stevens Institute of Technology(史蒂文斯理工学院)
针对多层生成模型中的先验空洞问题,本文提出利用扩散概率方案辅助EBM先验学习,实验证明其性能优越。
2024-05-27 cs.CV cs.LG stat.ML
Adversarially Approximated Autoencoder for Image Generation and Manipulation
正则化自动编码器学习潜在代码,这是一种在分布下具有正则化的结构,这使它们能够在给定观察值的情况下推断潜在代码并在给定代码的情况下生成新样本。然而,它们有时是模糊的,因为它们往往产生不一定是输入的忠实再现的重建。主要原因是在真实分布仍然未知的情况下,强制学习的潜在代码分布与先验分布相匹配。为了提高重构质量和学习潜在空间的流形结构,这项工作提出了一种新的方法,使用对抗近似的自编码器(AAAE)调查潜在代码与对抗近似。AAAE没有通过惩罚模型和目标分布之间的距离来正则化潜在代码,而是灵活地学习自动编码器,并使用更简单的生成器来近似潜在空间。使用生成对抗网络(GAN)来估计该比率,以加强分布的相似性。此外,图像空间用额外的对抗正则化器正则化。所提出的方法统一了潜在空间推理和多样生成的两个深度生成模型。学习方案的实现没有正则化的潜在代码,这也鼓励忠实的重建。在四个真实世界数据集上的广泛验证实验证明了AAAE的优越性能。与最先进的方法相比,AAAE生成的样本质量更好,并具有良好的潜在流形结构,具有正则化自动编码器的特性。
2019-02-14 cs.CV cs.LG eess.IV
LatentFM: A Latent Flow Matching Approach for Generative Medical Image Segmentation
本文提出LatentFM,通过在潜在空间中使用流匹配方法,实现高精度且具有不确定性的医学图像分割,通过生成置信图和多样化的分割输出提升预测可靠性。
2026-11-16 cs.CV
GLDiTalker: Speech-Driven 3D Facial Animation with Graph Latent Diffusion Transformer
South China University of Technology(南方科技大学);Beihang University(北航);Huawei Cloud(华为云);Nanjing University(南京大学)
GLDiTalker通过图潜在扩散变换器解决语音驱动3D面部动画中的模态不一致问题,提升唇形同步精度和运动多样性。
2025-12-05 cs.CV
Diff-PCC: Diffusion-based Neural Compression for 3D Point Clouds
College of Artificial Intelligence(人工智能学院);Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
本文提出Diff-PCC,首个基于扩散模型的点云压缩方法,通过双空间潜在表示和扩散生成解码器,在超低比特率下实现最先进的压缩性能与优越主观质量。
2024-08-20 cs.AI cs.CV eess.IV
Graph Alignment via Dual-Pass Spectral Encoding and Latent Space Communication
LIX, Ecole Polytechnique, IP Paris(LIX,巴黎高等师范学院,IP巴黎)
提出双通道编码器增强节点区分性,结合几何感知功能映射对齐潜在空间,解决图对齐中节点区分性下降和潜在空间错位问题。
2026-06-23 cs.AI cs.CV cs.LG