Rethinking Where to Edit: Task-Aware Localization for Instruction-Based Image Editing
The University of Sydney(悉尼大学)
本文提出一种无需训练的任务感知编辑定位框架,通过分析源和目标图像流,提升非编辑区域一致性并保持指令遵循性能。
2026-09-29 cs.CV
Rethinking Scribble-Guided Image Editing: Generalization, Instruction Adherence, and Multi-Tasking
Xiamen University(厦门大学);Taobao & Tmall Group of Alibaba(阿里巴巴淘宝与天猫集团)
针对涂鸦引导图像编辑在多任务场景下性能不稳定的问题,通过实证研究揭示指令级泛化瓶颈,提出覆盖-真实课程、多任务拼接和编辑聚焦损失三种策略,在VIBE基准上实现单任务和多任务的最优结果。
2026-05-25 cs.CV
DragNeXt: Rethinking Drag-Based Image Editing
DragNeXt通过重新定义拖动为变形、旋转和翻译,提出简单有效的编辑框架,提升图像编辑质量。
2026-01-25 cs.CV
Rethinking the editing of generative adversarial networks: a method to estimate editing vectors based on dimension reduction
ShanghaiTech University(上海科技大学)
本文提出一种不依赖语义分割和可微网络的GAN编辑向量估计方法,通过改进LDA处理二元和连续特征编辑,在服装、肤色等非语义特征上表现良好。
2023-03-07 cs.CV cs.LG
DragText: Rethinking Text Embedding in Point-based Image Editing
Yonsei University(延世大学)
针对基于点的扩散图像编辑中文本嵌入与逐步变化的图像嵌入失配问题,提出 DragText,在拖拽过程中联合优化并正则化文本嵌入,可即插即用增强现有方法。
2024-12-04 cs.AI cs.CV
FreeMask: Rethinking the Importance of Attention Masks for Zero-Shot Video Editing
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团)
本文提出FreeMask方法,通过掩码匹配代价(MMC)度量选择最优交叉注意力掩码,并改进掩码融合机制,无需控制辅助或参数微调即可提升零样本视频编辑的语义保真度、时间一致性和编辑质量。
2024-09-30 cs.CV cs.MM
Rethinking The Training And Evaluation of Rich-Context Layout-to-Image Generation
Amazon Web Services(亚马逊网络服务);University of Macau(澳门大学)
针对布局到图像生成中复杂文本描述表征不足及训练评估设置不匹配的问题,提出新型区域交叉注意力模块和两个开放词汇评估指标,并通过用户研究验证指标与人类偏好的一致性。
2025-01-11 cs.CV
Rethinking Classifier-Free Guidance for TI2I Flow Matching
Imperial College London(伦敦帝国学院);Microsoft(微软公司)
该研究针对TI2I流匹配中无分类器引导(CFG)的隐性危害,提出在流早期步骤进行简单修正,在无额外成本下提升对齐与可控性,经像素及潜在空间TI2I流验证有效。
2026-10-16 cs.CV cs.LG
Rethinking Global Text Conditioning in Diffusion Transformers
Yandex Research(Yandex研究院);Adobe Research(Adobe研究院)
本文重新思考扩散变换器中的全局文本条件化,发现传统调制机制贡献有限,但通过不同视角使用池化嵌入可带来显著性能提升。
2026-02-09 cs.CV
Rethinking 3D Shape Generation: Diffusion over Superquadrics
University of Science and Technology of China(中国科学技术大学)
提出将扩散模型从高基数几何表示转移到紧凑的超二次曲面参数上,以降低计算和内存成本,并支持无分辨率点云解码、部件级编辑和约束设计,实现高效生成。
2026-06-08 cs.CV
Erased or Dormant? Rethinking Concept Erasure Through Reversibility
Department of Computer Science University of Nevada Reno(计算机科学系内华达大学拉斯维加斯分校);Department of Mathematics National University of Singapore(数学系新加坡国立大学)
本文从可逆性角度重新评估扩散模型的概念擦除技术,发现现有方法仅实现表面抑制,通过轻量级微调即可使被擦除概念重新出现,揭示了现有方法的关键局限性。
2025-09-18 cs.CV
SC2GAN: Rethinking Entanglement by Self-correcting Correlated GAN Space
ModiFace Inc.(ModiFace公司);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Toronto(多伦多大学)
针对GAN潜在空间中的属性纠缠问题,提出SC²GAN框架,通过重投影低密度样本并校正编辑方向,实现强相关属性的有效解纠缠。
2023-10-10 cs.CV cs.LG
Rethinking the Architecture Design for Efficient Generic Event Boundary Detection
Tsinghua University(清华大学)
本文通过重新审视GEBD模型架构,发现图像域骨干网络存在冗余和干扰问题,提出使用视频域骨干网络联合时空建模的EfficientGEBD系列模型,在性能上最高提升1.7%,速度提升280%。
2024-07-17 cs.CV
Qwen-Image-Flash: Rethinking the Training Recipe for Few-Step Distillation
alibaba-inc.com(阿里巴巴公司)
本文通过系统研究数据组成、教师指导和任务混合三个因素,提出Qwen-Image-Flash,表明有效的少步蒸馏不仅需要精心设计的目标,还需要对更广泛的训练流程进行原则性组织。
2026-09-15 cs.AI cs.CV cs.GR
LSAP: Rethinking Inversion Fidelity, Perception and Editability in GAN Latent Space
Beijing University of Posts and Telecommunications(北京邮电大学)
LSAP通过引入归一化风格空间和NSCD度量,提升GAN潜在空间中反向保真度、感知性和可编辑性的对齐性能。
2025-11-20 cs.AI cs.CV cs.LG
Rethinking Driving World Model as Synthetic Data Generator for Perception Tasks
Peking University(北京大学);Xiaomi EV(小米电动车);Huazhong University of Science and Technology(华中科技大学);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));Zhongguancun Academy(中关村学院)
Dream4Drive通过生成高质量的合成数据提升自动驾驶感知任务性能
2026-03-07 cs.AI cs.CV
Rethinking Composed Image Retrieval Evaluation: A Fine-Grained Benchmark from Image Editing
CASIA(中国科学院自动化研究所);Tongyi Lab, Alibaba Group(阿里云实验室);UCAS(中国科学院大学);HKUST(GZ)(香港科技大学(广州));NTU(国立新加坡大学);Yale(耶鲁大学)
本文提出EDIR细粒度CIR基准,通过图像编辑技术生成多样化查询,揭示现有模型在多模态任务中的能力差距与局限性。
2026-01-22 cs.CL cs.CV cs.IR
WISE: Rethinking the Knowledge Memory for Lifelong Model Editing of Large Language Models
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团)
针对LLM终身模型编辑中可靠性、泛化性与局部性无法兼顾的“不可能三角”问题,提出WISE方法,通过双参数记忆方案与知识分片机制,在问答、幻觉及分布外等设置下成功克服该三角并超越现有方法。
2024-12-19 cs.AI cs.CL cs.CV
Beyond Natural Images: Rethinking AI-Generated Image Detection in Documents
Baidu Inc.(百度公司);Sun Yat-sen University(中山大学);Tsinghua University(清华大学)
本文构建文档图像检测基准AIGDoc-Pilot与AIGDoc,揭示现有AI生成图像检测器在文档场景下性能大幅下降(AUC降超7%),并发现空间不一致性与文本密度是关键因素,为开发可靠检测器提供见解。
2026-09-15 cs.CV
LL-Bench: Rethinking Low-Level Vision Evaluation in the Era of Large-Scale Generative Models
Shanghai Jiao Tong University(上海交通大学)
提出LL-Bench基准,包含大量真实退化图像和人工偏好标注,系统评估大规模生成模型在低级视觉任务中的性能,并引入LL-Score评估器以更好对齐人类偏好。
2026-06-01 cs.CV
Rethinking Data Augmentation for Robust Visual Question Answering
Columbia University(哥伦比亚大学);Zhejiang University(浙江大学)
数据增强(DA)--在原始训练集之外生成额外的训练样本--已被广泛用于当今无偏的VQA模型中,以减轻语言偏见。目前主流的DA策略是基于合成的方法,通过编辑一些视觉区域/单词或从头开始重新生成新的样本来合成新的样本。然而,这些合成的样本总是不自然的并且容易出错。为了避免这个问题,最近的DA工作通过随机配对原始图像和其他人类书写的问题来组成新的增强样本。不幸的是,为了保证增强样本具有合理的地面真理答案,他们手动设计了一套启发式规则,这极大地限制了其泛化能力。为此,我们提出了一个新的知识蒸馏为VQA的数据增强,被称为KDDAug。具体来说,我们首先放宽了合理的图像问题对的要求,这可以很容易地应用于任何问题类型。然后,我们设计了一个基于知识蒸馏(KD)的答案分配,以产生伪答案的所有组成的图像问题对,这是鲁棒的域内和外的分布设置。由于KDDAug是一种与模型无关的DA策略,因此它可以无缝地集成到任何VQA架构中。对多个主干和基准的广泛消融研究已经证明了KDDAug的有效性和推广能力。
2022-09-15 cs.AI cs.CL cs.CV
Rethinking Visual Attribution for Chest X-ray Reasoning in Large Vision Language Models
University of Virginia(弗吉尼亚大学);National Institutes of Health(美国国立卫生研究院)
本文针对大视觉语言模型在胸部X光推理中视觉归因的可靠性问题,提出了一种因果评估框架,通过反事实编辑保留仅由专家标注区域验证的X光-VQA样本,以确定模型预测的因果责任区域。通过11种归因方法、6种开源LVLMs和两种输出模式,发现现有归因方法往往无法识别LVLMs所使用的证据。为此,本文提出MedFocus,一种基于概念的归因方法,通过不平衡最优传输局部化具有临床意义的解剖区域,并通过针对性干预测量其对模型输出的因果效应,显著优于现有方法,推动医疗LVLMs的更可信归因。
2026-05-19 cs.AI cs.CL cs.CV