图像生成

MixDiffusion: Mixing Diffusion-based Uni-condition Text-to-Image Generation Models for Multi-condition Image Synthesis

MixDiffusion：用于多条件图像合成的基于混合扩散的单条件文本到图像生成模型

Pengcheng Wan, Liang Han, Lin Xu, Bowen Xiao, Liqiang Nie

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；image synthesis(title,abstract)

AI总结 研究针对现有基于扩散的文本到图像生成方法控制条件单一的问题，提出MixDiffusion框架，通过集成多个预训练单条件模型，支持多条件图像合成，具有无需训练、易部署和可扩展新模态的特点。

Comments 15 pages, 8 figures

Masked-Attention Diffusion Guidance for Spatially Controlling Text-to-Image Generation

用于空间控制文本到图像生成的掩码注意力扩散引导

Yuki Endo

机构 * University of Tsukuba（筑波大学） 纠错

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；image editing(abstract)

AI总结 本文提出掩码注意力引导方法，通过操纵输入噪声图像间接控制交叉注意力，无需额外训练即可使文本到图像生成更准确遵循语义掩码，并适用于 Stable Diffusion 及图像编辑任务。

Comments Accepted to The Visual Computer, code: https://github.com/endo-yuki-t/MAG

PAI-Diffusion: Constructing and Serving a Family of Open Chinese Diffusion Models for Text-to-image Synthesis on the Cloud

PAI-Diffusion：构建并服务云端文本到图像合成的开源中文扩散模型家族

Chengyu Wang, Zhongjie Duan, Bingyan Liu, Xinyi Zou, Cen Chen, Kui Jia, Jun Huang

机构 * Alibaba Group（阿里巴巴集团） ； East China Normal University（华东师范大学） ； South China University of Technology（华南理工大学） 纠错

专题命中 文生图 ：text-to-image(title,abstract)；diffusion(title,abstract)；image synthesis(title,abstract)；image generation(abstract)

AI总结 本文提出PAI-Diffusion框架，结合通用与特定领域中文扩散模型，利用LoRA和ControlNet实现细粒度图像风格迁移与编辑，并集成阿里云平台及开源工具，解决中文文本到图像合成中的上下文与鲁棒性问题。

AI-T2I: Aggregating-and-Isolating Cross-Attention to Diffusion Models for Text-to-Image Synthesis

AI-T2I: 面向文本到图像合成的扩散模型的聚合与隔离交叉注意力

Shipeng Cao, Biao Qian, Haipeng Liu, Yang Wang, Meng Wang

机构 * Institute of Advanced Medicine and Frontier Technology（先进医学与前沿技术研究院） ； Hefei University of Technology（合肥工业大学） ； Key Laboratory of Knowledge Engineering With Big Data, Ministry of Education（大数据知识工程重点实验室） ； Department of Automation, Tsinghua University（清华大学自动化系） 纠错

专题命中 文生图 ：text-to-image(title,abstract)；diffusion(title,abstract)；image synthesis(title,abstract)；personalized generation(abstract)

AI总结 针对扩散模型在文本到图像合成中交叉注意力图内文本-图像对齐不精确的问题，提出一种聚合与隔离交叉注意力方法（AI-T2I），通过聚合损失整合分散的令牌内激活并引入隔离损失分离令牌间激活，实现精确对齐。

Comments Accepted by IEEE Transactions on Multimedia (2026). 13 pages, 15 figures

Exploring the Deep Fusion of Large Language Models and Diffusion Transformers for Text-to-Image Synthesis

探索大语言模型与扩散Transformer在文本到图像合成中的深度融合

Bingda Tang, Boyang Zheng, Xichen Pan, Sayak Paul, Saining Xie

机构 * New York University（纽约大学） ； Hugging Face 纠错

专题命中 文生图 ：text-to-image(title,abstract)；diffusion(title,abstract)；image synthesis(title,abstract)；image generation(abstract)

AI总结 本文通过受控基线对比与设计选择分析，系统实证研究LLM与DiT深度融合用于文本到图像生成，并给出可复现的大规模训练方案。

SINE: SINgle Image Editing with Text-to-Image Diffusion Models

SINE：基于文本到图像扩散模型的单图像编辑

Zhixing Zhang, Ligong Han, Arnab Ghosh, Dimitris Metaxas, Jian Ren

机构 * Rutgers University（罗格斯大学） ； Snap Inc.（Snap公司） 纠错

专题命中 文生图 ：diffusion(title,abstract)；image editing(title,abstract)；text-to-image(title)；image generation(abstract)

AI总结 提出SINE方法，通过模型引导和补丁微调，解决单图像编辑中的过拟合与信息泄漏问题，实现风格改变、内容添加和对象操作。

Comments Accepted at CVPR 2023. Project website: https://zhang-zx.github.io/SINE/

You Only Sample Once: Taming One-Step Text-to-Image Synthesis by Self-Cooperative Diffusion GANs

你只采样一次：通过自协同扩散GAN驯服一步文生图合成

Yihong Luo, Xiaolong Chen, Xinghua Qu, Tianyang Hu, Jing Tang

机构 * HKUST（香港科技大学） ； HKUST(GZ)（香港科技大学（广州）） ； Bytedance Seed（字节跳动 Seed） ； NUS（新加坡国立大学） 纠错

专题命中 文生图 ：text-to-image(title,abstract)；diffusion(title,abstract)；image synthesis(title,abstract)；image generation(abstract)

AI总结 提出YOSO，一种自协同扩散GAN模型，实现稳定高效的一步文生图，支持从零训练和预训练微调，达到最先进性能，仅需约10个A800天。

Comments ICLR 2025

Isolated Diffusion: Optimizing Multi-Concept Text-to-Image Generation Training-Freely with Isolated Diffusion Guidance

孤立扩散：通过孤立扩散引导免训练优化多概念文本到图像生成

Jingyuan Zhu, Huimin Ma, Jiansheng Chen, Jian Yuan

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；image synthesis(abstract)

AI总结 针对文本到图像扩散模型多概念生成中的概念渗漏问题，提出免训练的Isolated Diffusion方法，通过拆分提示、隔离重合成各主体优化文图一致性，兼容SD系列模型且效果优于现有方法。

Comments Accepted by IEEE Transactions on Visualization and Computer Graphics

Bridging Different Language Models and Generative Vision Models for Text-to-Image Generation

桥接不同语言模型与生成式视觉模型以实现文本到图像生成

Shihao Zhao, Shaozhe Hao, Bojia Zi, Huaizhe Xu, Kwan-Yee K. Wong

机构 * The University of Hong Kong（香港大学） ； The Chinese University of Hong Kong（香港中文大学） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；generative vision(title,abstract)；diffusion(abstract)

AI总结 针对文本到图像生成中不同语言模型与生成式视觉模型的整合需求，本文提出即插即用的LaVi-Bridge流水线，通过LoRA与适配器实现多模型兼容，有效提升文本对齐与图像质量。

PanGu-Draw: Advancing Resource-Efficient Text-to-Image Synthesis with Time-Decoupled Training and Reusable Coop-Diffusion

PanGu-Draw：利用时间解耦训练与可复用Coop-Diffusion推进资源高效的文本到图像合成

Guansong Lu, Yuanfan Guo, Jianhua Han, Minzhe Niu, Yihan Zeng, Songcen Xu, Zeyi Huang, Zhao Zhong, Wei Zhang, Hang Xu

机构 * Huawei（华为） 纠错

专题命中 文生图 ：text-to-image(title,abstract)；diffusion(title,abstract)；image synthesis(title,abstract)；image generation(abstract)

AI总结 PanGu-Draw提出时间解耦训练策略和Coop-Diffusion算法，实现资源高效的文本到图像及多控制合成，大幅降低数据与训练成本，并支持任意分辨率。

Comments 16 pages, 16 figures

PixArt-$α$: Fast Training of Diffusion Transformer for Photorealistic Text-to-Image Synthesis

PixArt-$\alpha$：面向逼真文本到图像合成的扩散Transformer快速训练

Junsong Chen, Jincheng Yu, Chongjian Ge, Lewei Yao, Enze Xie, Yue Wu, Zhongdao Wang, James Kwok, Ping Luo, Huchuan Lu, Zhenguo Li

机构 * Dalian University of Technology（大连理工大学） ； HKUST（香港科技大学） ； HKU（香港大学） 纠错

专题命中 文生图 ：text-to-image(title,abstract)；diffusion(title,abstract)；image synthesis(title,abstract)；image generation(abstract)

AI总结 本文提出PIXART-α，一种基于Transformer的扩散T2I模型，通过训练策略分解、高效Transformer和高信息量数据设计，实现低训练成本下与SOTA相当的图像质量，显著减少GPU时间和碳排放。

Comments Project Page: https://pixart-alpha.github.io

UFOGen: You Forward Once Large Scale Text-to-Image Generation via Diffusion GANs

UFOGen：通过扩散 GAN 实现只需一次前向传播的大规模文本到图像生成

Yanwu Xu, Yang Zhao, Zhisheng Xiao, Tingbo Hou

机构 * Google（谷歌） ； Boston University（波士顿大学） 纠错

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；image synthesis(abstract)

AI总结 针对扩散模型文本到图像推理成本高的问题，本文提出 UFOGen，通过融合 diffusion-GAN 目标与预训练扩散模型初始化，实现单步高质量文本生成图像，并支持多种下游任务。

Swinv2-Imagen: Hierarchical Vision Transformer Diffusion Models for Text-to-Image Generation

Swinv2-Imagen：用于文本到图像生成的分层视觉Transformer扩散模型

Ruijun Li, Weihua Li, Yi Yang, Hanyu Wei, Jianhua Jiang, Quan Bai

机构 * Auckland University of Technology（奥克兰理工大学） ； Hefei University of Technology（合肥工业大学） ； University of Tasmania（塔斯马尼亚大学） ； Jilin University of Finance and Economics（吉林财经大学） 纠错

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；image synthesis(abstract)

A 28.6 mJ/iter Stable Diffusion Processor for Text-to-Image Generation with Patch Similarity-based Sparsity Augmentation and Text-based Mixed-Precision

面向文本生成图像的28.6 mJ/iter Stable Diffusion处理器：基于Patch相似度的稀疏增强与基于文本的混合精度

Jiwon Choi, Wooyoung Jo, Seongyon Hong, Beomseok Kwon, Wonhoon Park, Hoi-Jun Yoo

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；image synthesis(abstract)

AI总结 提出一种高能效Stable Diffusion处理器，通过PSSA、TIPS和DBSC三项技术降低内存访问能耗并提升FFN层能效，在28nm工艺下实现28.6 mJ/iter的文本生成图像。

Comments Accepted at 2024 IEEE International Symposium on Circuits and Systems (ISCAS)

Compositional Text-to-Image Generation Via Region-aware Bimodal Direct Preference Optimization

基于区域感知双模态直接偏好优化的组合式文本到图像生成

Zhuohan Liu, Wujian Peng, Yitong Chen, Zuxuan Wu

机构 * Shanghai Key Lab of Intell. Info. Processing, School of CS, Fudan University（上海智能信息处理关键实验室，复旦大学计算机学院） ； Shanghai Collaborative Innovation Center of Intelligent Visual Computing（上海智能视觉计算协同创新中心） 纠错

专题命中 文生图 ：diffusion(summary_cn,abstract)；image generation(title,abstract)；text-to-image(title,abstract)；分类 cs.CV

AI总结 提出BiDPO框架，通过构建大规模偏好数据集BiComp和扩展Diffusion DPO联合优化图像与文本偏好，结合区域级引导方法，提升文本到图像模型对复杂组合提示的生成保真度。

Upcycling Text-to-Image Diffusion Models for Multi-Task Capabilities

升级改造文本到图像扩散模型以实现多任务能力

Ruchika Chavhan, Abhinav Mehrotra, Malcolm Chadwick, Alberto Gil Ramos, Luca Morreale, Mehdi Noroozi, Sourav Bhattacharya

机构 * Samsung AI Center, Cambridge, UK（三星剑桥人工智能中心） 纠错

专题命中 文生图 ：text-to-image(title,abstract)；diffusion(title,abstract)；image generation(abstract)；image editing(abstract)

AI总结 本文提出 MTU，通过专家 FFN 与动态路由扩展预训练文生图扩散模型，在图像编辑、超分辨率和修复任务上达到单任务微调水平且不增加端侧开销。

Comments Preprint

Text-to-image Diffusion Models in Generative AI: A Survey

生成式AI中的文本到图像扩散模型：综述

Chenshuang Zhang, Chaoning Zhang, Mengchun Zhang, In So Kweon, Junmo Kim

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST）） ； Kyung Hee University（庆熙大学） 纠错

专题命中 文生图 ：text-to-image(title,abstract)；diffusion(title,abstract)；image generation(abstract,comments)；image editing(abstract)

AI总结 本综述系统梳理文本到图像扩散模型的原理、方法改进、多模态应用及图像编辑，并探讨挑战与未来方向。

Comments First survey on the recent progress of text-to-image generation based on the diffusion model

Prompt Reinjection: Alleviating Prompt Forgetting in Multimodal Diffusion Transformers for Text-to-Image Generation

提示重注入：缓解多模态扩散变换器中的提示遗忘

Yuxuan Yao, Yuxuan Chen, Hui Li, Kaihui Cheng, Qipeng Guo, Yuwei Sun, Zilong Dong, Jingdong Wang, Siyu Zhu

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；分类 cs.CV

AI总结 本研究针对多模态扩散变换器中提示遗忘问题，提出一种无需训练的提示重注入方法，通过将早期层的提示表示重新注入到后期层，以提升指令遵循能力和生成质量。

Comments 19 pages

LADR: Locality-Aware Dynamic Rescue for Efficient Text-to-Image Generation with Diffusion Large Language Models

LADR：基于局部性的动态救援方法，用于高效文本到图像生成的扩散大语言模型

Chenglin Wang, Yucheng Zhou, Shawn Chen, Tao Wang, Kai Zhang

机构 * East China Normal University（华东师范大学） ； University of Macau（澳门大学） ； Zhejiang University（浙江大学） ； Nanjing University（南京大学） 纠错

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；分类 cs.CV

AI总结 本文提出LADR方法，通过利用图像的空间马尔可夫性质加速推理，实现文本到图像生成的高效生成，同时保持生成质量。

Comments ACL2026 Main Conference

High-Fidelity Text-to-Image Generation from Pre-Trained Vision-Language Models via Distribution-Conditioned Diffusion Decoding

通过分布条件扩散解码从预训练视觉-语言模型生成高保真的文本到图像

Ji Woo Hong, Hee Suk Yoon, Gwanhyeong Koo, Eunseop Yoon, SooHwan Eom, Qi Dai, Chong Luo, Chang D. Yoo

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Microsoft Research Asia (MSRA)（微软亚洲研究院） 纠错

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；分类 cs.CV

AI总结 本文提出一种基于扩散解码的框架，通过训练仅需扩散解码器即可提升图像保真度，利用分布加权代码向量增强视觉质量，仅需ImageNet-1K短训练即可改进VQ-VAE重建和文本到图像生成。

Training-Free Diffusion Priors for Text-to-Image Generation via Optimization-based Visual Inversion

无需训练的扩散先验：通过基于优化的视觉反向生成文本到图像

Samuele Dell'Erba, Andrew D. Bagdanov

机构 * University of Florence（佛罗伦萨大学） 纠错

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；分类 cs.CV

AI总结 本研究提出无需训练的基于优化的视觉反向方法，用于文本到图像生成，通过约束优化提升图像质量，挑战传统先验的必要性。

Comments 13 pages, 7 figures, technical report (preprint)

ProxT2I: Efficient Reward-Guided Text-to-Image Generation via Proximal Diffusion

ProxT2I：通过近端扩散实现高效的奖励引导文本到图像生成

Zhenghan Fang, Jian Zheng, Qiaozi Gao, Xiaofeng Gao, Jeremias Sulam

机构 * Johns Hopkins University（约翰霍普金斯大学） ； Amazon（亚马逊） 纠错

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；分类 cs.CV

AI总结 ProxT2I通过近端扩散和奖励引导方法，提升文本到图像生成的效率和人类偏好对齐，实现高效且轻量的生成效果。

Personalized Image Editing in Text-to-Image Diffusion Models via Collaborative Direct Preference Optimization

通过协作直接偏好优化实现文本到图像扩散模型中的个性化图像编辑

Connor Dunlop, Matthew Zheng, Kavana Venkatesh, Pinar Yanardag

机构 * Virginia Tech（弗吉尼亚理工大学） 纠错

专题命中 文生图 ：text-to-image(title,abstract)；diffusion(title,abstract)；image editing(title,abstract)；分类 cs.CV

AI总结 本文提出协作直接偏好优化（C-DPO）框架，通过动态偏好图与图神经网络实现用户个性化嵌入，并整合到DPO目标中，使扩散模型的图像编辑更符合个体审美偏好，实验证明其优于基线方法。

Comments Published at NeurIPS'25 Main Conference

CEIDM: A Controlled Entity and Interaction Diffusion Model for Enhanced Text-to-Image Generation

CEIDM：用于增强文本到图像生成的受控实体与交互扩散模型

Mingyue Yang, Dianxi Shi, Jialu Zhou, Xinyu Wei, Leqian Li, Shaowu Yang, Chunping Qiu

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；分类 cs.CV

AI总结 针对文本到图像生成中实体及交互控制的挑战，提出CEIDM双控扩散模型，通过LLM挖掘实体交互关系、交互动作聚类偏移及实体控制网络，提升图像的实体与交互合理性及质量。

CountDiffusion: Text-to-Image Synthesis with Training-Free Counting-Guidance Diffusion

CountDiffusion：基于免训练计数引导扩散的文本到图像合成

Yanyu Li, Pencheng Wan, Liang Han, Yaowei Wang, Liqiang Nie, Min Zhang

机构 * Department of Computer Science and Technology, Harbin Institute of Technology（计算机科学与技术系，哈尔滨工业大学） 纠错

专题命中 文生图 ：text-to-image(title,abstract)；diffusion(title,abstract)；image synthesis(title,abstract)；分类 cs.CV

AI总结 本文提出免训练框架 CountDiffusion，通过中间去噪计数与注意力图校正两阶段机制，即插即用地提升扩散模型生成准确物体数量的能力。

Comments 8 pages, 9 figures, 3 tables

MCCD: Multi-Agent Collaboration-based Compositional Diffusion for Complex Text-to-Image Generation

MCCD：基于多智能体协作的组合扩散用于复杂文本到图像生成

Mingcheng Li, Xiaolu Hou, Ziyang Liu, Dingkang Yang, Ziyun Qian, Jiawei Chen, Jinjie Wei, Yue Jiang, Qingyao Xu, Lihua Zhang

机构 * Academy for Engineering and Technology（工程与技术学院） ； Cognition and Intelligent Technology Laboratory (CIT Lab)（认知与智能技术实验室） ； School of Future Science and Engineering（未来科学与工程学院） ； Jilin Provincial Key Laboratory of Intelligence Science and Engineering（吉林省智能科学与工程重点实验室） ； Engineering Research Center of AI and Robotics, Ministry of Education（人工智能与机器人工程研究中心） 纠错

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；分类 cs.CV

AI总结 本文提出MCCD方法，通过多智能体场景解析和分层组合扩散，在无需训练的情况下提升复杂文本到图像生成的性能。

Hierarchical Vision-Language Alignment for Text-to-Image Generation via Diffusion Models

基于扩散模型的文本到图像生成的分层视觉-语言对齐

Emily Johnson, Noah Wilson

机构 * University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校） 纠错

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；分类 cs.CV

AI总结 本文提出VLAD模型，通过上下文组合模块与分层扩散的双流策略，解决复杂文本到图像生成中的视觉-语言对齐问题，并在多个基准上取得领先性能。

Test-time Conditional Text-to-Image Synthesis Using Diffusion Models

使用扩散模型的测试时条件文本到图像合成

Tripti Shukla, Srikrishna Karanam, Balaji Vasan Srinivasan

机构 * Adobe Research（Adobe研究院） 纠错

专题命中 文生图 ：text-to-image(title,abstract)；diffusion(title,abstract)；image synthesis(title,abstract)；分类 cs.CV

AI总结 提出无需训练的测试时算法TINTIN，将去噪噪声预测解释为能量模型梯度以匹配条件输入，实现用颜色调色板和边缘图等控制文本到图像扩散模型输出，显著超越现有技术。

Detecting Dataset Abuse in Fine-Tuning Stable Diffusion Models for Text-to-Image Synthesis

检测文本到图像合成的Stable Diffusion模型微调中的数据集滥用

Songrui Wang, Yubo Zhu, Wei Tong, Sheng Zhong

机构 * Nanjing University（南京大学） 纠错

专题命中 文生图 ：text-to-image(title,abstract)；diffusion(title,abstract)；image synthesis(title,abstract)；分类 cs.CV

AI总结 本文针对Stable Diffusion模型微调中的数据集滥用问题，提出一种数据集水印框架，通过两种关键策略实现未经授权使用的检测与数据泄露追踪，仅需修改2%数据即可达到高检测精度，并具备鲁棒性和可迁移性。

Scribble-Guided Diffusion for Training-free Text-to-Image Generation

Scribble-Guided Diffusion：面向免训练文本到图像生成的涂鸦引导扩散模型

Seonho Lee, Jiho Choi, Seohyun Lim, Jiwook Kim, Hyunjung Shim

机构 * Graduate School of Artificial Intelligence, KAIST（韩国科学技术院人工智能研究生院） 纠错

专题命中 文生图 ：image generation(title,abstract)；text-to-image(title,abstract)；diffusion(title,abstract)；分类 cs.CV

AI总结 针对现有文本到图像扩散模型空间引导不足的问题，提出免训练的ScribbleDiff方法，通过矩对齐和涂鸦传播机制实现涂鸦引导的精准图像生成，在PASCAL-Scribble数据集上空间控制与一致性提升显著。