图像生成

Synthetic Curriculum Reinforces Compositional Text-to-Image Generation

合成课程强化组合文本到图像生成

Shijian Wang, Runhao Fu, Siyi Zhao, Qingqin Zhan, Xingjian Wang, Jiarui Jin, Yuan Lu, Hanqian Wu, Cunjian Chen

机构 * Southeast University（东南大学） ； Xiaohongshu Inc.（小红书公司） ； Monash University（墨尔本大学） ； Shanghai Jiao Tong University（上海交通大学） ； Anhui University（安徽大学） 纠错

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

AI总结 CompGen通过课程强化学习框架提升文本到图像生成的组合能力，采用场景图和自适应采样算法优化模型性能。

Plug-and-Play Multi-Concept Adaptive Blending for High-Fidelity Text-to-Image Synthesis

即插即用多概念自适应混合用于高保真文本到图像合成

Young-Beom Woo

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

AI总结 PnP-MIX通过引导外观注意力和掩码引导噪声混合策略，实现高保真文本到图像合成中多概念的无缝整合，无需额外调优。

Comments [Master's thesis, Korea University, 2025]

MINDiff: Mask-Integrated Negative Attention for Controlling Overfitting in Text-to-Image Personalization

MINDiff: 集成掩码的负关注用于控制文本到图像个性化中的过拟合

Seulgi Jeong, Jaeil Kim

机构 * Kyungpook National University（庆尚国立大学） 纠错

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

AI总结 MINDiff通过在推理过程中引入负关注机制，有效控制文本到图像个性化中的过拟合问题，无需修改模型架构即可提升文本对齐度和主题保真度。

Comments Accepted at ICCV 2025 Personalization in Generative AI Workshop

Now You See It, Now You Don't - Instant Concept Erasure for Safe Text-to-Image and Video Generation

现在你看见它，现在你又看不见 - 用于安全文本到图像和视频生成的即时概念消除

Shristi Das Biswas, Arani Roy, Kaushik Roy

机构 * Purdue University（普渡大学） 纠错

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

AI总结 ICE通过无需训练的一次性权重修改方法，实现文本到图像和视频生成中精确且持久的概念消除，无需额外开销，提升安全性与鲁棒性。

DICE: Distilling Classifier-Free Guidance into Text Embeddings

DICE: 将分类器无关引导 distilling 进文本嵌入

Zhenyu Zhou, Defang Chen, Can Wang, Chun Chen, Siwei Lyu

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

AI总结 DICE通过减少计算开销，在保持生成质量的同时，将基于CFG的文本到图像扩散模型转换为无CFG版本，提升图像生成效率。

Comments AAAI 2026 (Oral)

SYNAPSE: Synergizing an Adapter and Finetuning for High-Fidelity EEG Synthesis from a CLIP-Aligned Encoder

SYNAPSE: 适配器与微调协同实现高保真EEG信号到图像的合成

Jeyoung Lee, Hochul Kang

机构 * The Catholic University of Korea（韩国天主大学） 纠错

专题命中 文生图 ：image generation(abstract)；diffusion(abstract)；image synthesis(abstract)；分类 cs.CV

AI总结 SYNAPSE通过结合适配器与微调技术，实现了高保真EEG信号到图像的合成，提升了EEG数据的图像生成质量和跨受体泛化能力。