图像生成

RealGen: Photorealistic Text-to-Image Generation via Detector-Guided Rewards

RealGen：通过检测器引导的奖励实现逼真文本到图像生成

Junyan Ye, Leiqi Zhu, Yuncheng Guo, Dongzhi Jiang, Zilong Huang, Yifan Zhang, Zhiyuan Yan, Haohuan Fu, Conghui He, Weijia Li

机构 * Shanghai AI Lab（上海人工智能实验室） ； Sun Yat-Sen University（中山大学） ； Nanjing University（南京大学） ； CUHK MMLab（香港中文大学多模态实验室） ； Tsinghua University（清华大学） ； Peking University（北京大学） 纠错

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

AI总结 RealGen通过检测器引导的奖励机制提升文本到图像生成的真实感和细节，优于现有模型。

Dynamic Attention Analysis for Backdoor Detection in Text-to-Image Diffusion Models

文本到图像扩散模型中后门检测的动态注意力分析

Zhongqi Wang, Jie Zhang, Shiguang Shan, Xilin Chen

机构 * Key Laboratory of AI Safety of CAS, Institute of Computing Technology (ICT), Chinese Academy of Sciences (CAS), Beijing 100190, China, and also with the University of Chinese Academy of Sciences (UCAS), Beijing 100049, China（中国科学院人工智能安全重点实验室，计算技术研究所（ICT），中国科学院（CAS），北京100190，中国，以及中国科学院大学（UCAS），北京100049，中国） 纠错

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

AI总结 本研究提出动态注意力分析方法，通过分析扩散模型中注意力图的动态演变，有效检测文本到图像扩散模型中的后门攻击。

Comments Accepted by TPAMI

Multi-GRPO: Multi-Group Advantage Estimation for Text-to-Image Generation with Tree-Based Trajectories and Multiple Rewards

多组GRPO：基于树状轨迹和多奖励的文本到图像生成多组优势估计

Qiang Lyu, Zicong Chen, Chongxiao Wang, Haolin Shi, Shibo Gao, Ran Piao, Youwei Zeng, Jianlou Si, Fei Ding, Jing Li, Chun Pong Lau, Weiqiang Wang

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Beihang University（北航） ； Alibaba Group（阿里巴巴集团） ； Beijing Jiaotong University（北京交通大学） ； TikTok Inc.（TikTok公司） ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 Multi-GRPO通过树状轨迹和多奖励分组机制，提升文本到图像生成的稳定性和多目标对齐性能。

Comments 20 pages, 15 figures

VIVAT: Virtuous Improving VAE Training through Artifact Mitigation

VIVAT: 通过抑制伪影改进VAE训练

Lev Novitskiy, Viacheslav Vasilev, Maria Kovaleva, Vladimir Arkhipkin, Denis Dimitrov

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

AI总结 VIVAT通过抑制VAE训练中的常见伪影，提升图像重建和生成质量，实现更优的PSNR、SSIM和CLIP分数表现。

NeuroVolve: Evolving Visual Stimuli toward Programmable Neural Objectives

NeuroVolve：通过可编程神经目标演化视觉刺激

Haomiao Chen, Keith W Jamison, Mert R. Sabuncu, Amy Kuceyeski

机构 * Cornell University（康奈尔大学） ； Cornell Tech（康奈尔科技） ； Weill Cornell Medicine（韦尔医学院） 纠错

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

AI总结 NeuroVolve通过可编程神经目标生成视觉刺激，揭示大脑区域间的协同与对抗性调节关系，实现脑引导的图像编辑与首选刺激生成的统一。

ICAS: Detecting Training Data from Autoregressive Image Generative Models

ICAS: 从自回归图像生成模型中检测训练数据

Hongyao Yu, Yixiang Qiu, Yiheng Yang, Hao Fang, Tianqu Zhuang, Jiaxin Hong, Bin Chen, Hao Wu, Shu-Tao Xia

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳学院） ； Shenzhen ShenNong Information Technology Co., Ltd.（深圳深农信息技术有限公司） 纠错

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

AI总结 ICAS通过隐含分类和自适应得分聚合策略，从自回归图像生成模型中检测训练数据，揭示了大型模型的脆弱性，并展示了在不同场景下的有效性。

Comments ACM MM 2025

A Survey on Bridging EEG Signals and Generative AI: From Image and Text to Beyond

关于将EEG信号与生成式AI连接的综述：从图像和文本到更广泛的领域

Shreya Shukla, Jose Torres, Akshaj Murhekar, Christina Liu, Abhijit Mishra, Jacek Gwizdka, Shounak Roychowdhury

机构 * School of Information, The University of Texas at Austin, Austin, TX, USA（信息学院，德克萨斯大学奥斯汀分校，奥斯汀，德克萨斯州） 纠错

专题命中 文生图 ：diffusion(abstract)；image synthesis(abstract)

AI总结 本综述探讨了将EEG信号转化为图像、文本和音频的生成式AI方法，分析了当前技术趋势与挑战，为未来研究提供参考。

ReasonEdit: Towards Reasoning-Enhanced Image Editing Models

ReasonEdit: 向推理增强的图像编辑模型迈进

Fukun Yin, Shiyu Liu, Yucheng Han, Zhibo Wang, Peng Xing, Rui Wang, Wei Cheng, Yingming Wang, Aojie Li, Zixin Yin, Pengtao Chen, Xiangyu Zhang, Daxin Jiang, Xianfang Zeng, Gang Yu

专题命中 图像编辑 ：image editing(title,abstract)；diffusion(abstract)；分类 cs.CV

AI总结 ReasonEdit通过引入思考和反思机制，提升图像编辑模型的推理能力，实现更准确的编辑效果。

Comments code: https://github.com/stepfun-ai/Step1X-Edit

TUNA: Taming Unified Visual Representations for Native Unified Multimodal Models

TUNA: 降低统一视觉表示以适应原生统一多模态模型

Zhiheng Liu, Weiming Ren, Haozhe Liu, Zijian Zhou, Shoufa Chen, Haonan Qiu, Xiaoke Huang, Zhaochong An, Fanny Yang, Aditya Patel, Viktar Atliha, Tony Ng, Xiao Han, Chuyan Zhu, Chenyang Zhang, Ding Liu, Juan-Manuel Perez-Rua, Sen He, Jürgen Schmidhuber, Wenhu Chen, Ping Luo, Wei Liu, Tao Xiang, Jonas Schult, Yuren Cong

机构 * Meta BizAI ； University of Waterloo（滑铁卢大学） 纠错

专题命中 图像编辑 ：image editing(abstract)；分类 cs.CV

AI总结 TUNA通过统一视觉表示提升多模态模型的性能，实现端到端理解和生成任务的高效处理。

Comments Project page: https://tuna-ai.org/

3D MedDiffusion: A 3D Medical Latent Diffusion Model for Controllable and High-quality Medical Image Generation

3D MedDiffusion：一种用于可控和高质量医学图像生成的3D医学潜在扩散模型

Haoshen Wang, Zhentao Liu, Kaicong Sun, Xiaodong Wang, Dinggang Shen, Zhiming Cui

专题命中 扩散模型 ：image generation(title,abstract)；diffusion(title,abstract)；分类 cs.CV

AI总结 3D MedDiffusion通过高效补丁-体积自编码器和新型噪声估计器，实现可控且高质量的3D医学图像生成，适用于多种医学下游任务。

Blind Inverse Problem Solving Made Easy by Text-to-Image Latent Diffusion

通过文本到图像潜在扩散模型简化盲逆问题求解

Michail Dontas, Yutong He, Naoki Murata, Yuki Mitsufuji, J. Zico Kolter, Ruslan Salakhutdinov

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Sony AI（索尼人工智能） ； Sony Group Corporation（索尼集团） ； Bosch Center for AI（博世人工智能中心） 纠错

专题命中 扩散模型 ：text-to-image(title,abstract)；diffusion(title,abstract)；分类 cs.CV

AI总结 LADiBI通过文本到图像潜在扩散模型无需训练解决多种盲逆问题，利用贝叶斯框架和新型后验采样算法实现灵活且高效的图像恢复。

CountSteer: Steering Attention for Object Counting in Diffusion Models

CountSteer：在扩散模型中通过引导注意力实现物体计数

Hyemin Boo, Hyoryung Kim, Myungjin Lee, Seunghyeon Lee, Jiyoung Lee, Jang-Hwan Choi, Hyunsoo Cho

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

AI总结 CountSteer通过引导扩散模型的注意力机制，提升指定物体数量的生成精度，实现更可控的图像生成。

Comments Accepted to AAAI 2026 Workshop on Shaping Responsible Synthetic Data in the Era of Foundation Models (RSD)

ResDiT: Evoking the Intrinsic Resolution Scalability in Diffusion Transformers

ResDiT: 在扩散变换器中激发内在分辨率可扩展性

Yiyang Ma, Feng Zhou, Xuedan Yin, Pu Cao, Yonghao Dang, Jianqin Yin

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Tsinghua University（清华大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；image synthesis(abstract)；分类 cs.CV

AI总结 ResDiT通过改进位置嵌入和局部增强机制，实现了无需训练的高分辨率图像生成，有效解决空间布局崩溃和纹理保真度下降问题。

Comments 8 pages

Image Generation as a Visual Planner for Robotic Manipulation

图像生成作为机器人操作的视觉规划器

Ye Pang

机构 * Southern China University of Technology（华南理工大学） 纠错

专题命中 扩散模型 ：image generation(title,abstract)；diffusion(abstract)；分类 cs.CV

AI总结 本文提出利用图像生成模型作为机器人视觉规划器，通过轻度微调实现时间连贯的机器人操作视频生成。

Comments 11 pages 9 figures Under review at CVPR 2026

DiffProtect: Generate Adversarial Examples with Diffusion Models for Facial Privacy Protection

DiffProtect: 用扩散模型生成对抗示例以保护面部隐私

Jiang Liu, Chun Pong Lau, Zhongliang Guo, Yuxiang Guo, Zhaoyang Wang, Rama Chellappa

机构 * Johns Hopkins University（约翰霍普金斯大学） ； City University of Hong Kong（香港城市大学） ； University of St Andrews（圣安德鲁大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；image generation(abstract)；分类 cs.CV

AI总结 DiffProtect利用扩散模型生成高质量对抗示例，提升面部隐私保护的视觉质量和攻击成功率

Comments Code is at https://github.com/joellliu/DiffProtect/

POLARIS: Projection-Orthogonal Least Squares for Robust and Adaptive Inversion in Diffusion Models

POLARIS：用于扩散模型中鲁棒和自适应逆向的投影正交最小二乘法

Wenshuo Chen, Haosen Li, Shaofeng Liang, Lei Wang, Haozhe Jia, Kaishen Yuan, Jieming Wu, Bowen Tian, Yutao Yue

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Griffith University（格里菲斯大学） ； Data61/CSIRO Project（Data61/CSIRO项目） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；image editing(abstract)；分类 cs.CV

AI总结 POLARIS通过将逆向问题转化为误差来源问题，以单行代码提升扩散模型逆向的鲁棒性和适应性，显著减少噪声近似误差。

A Fast and Efficient Modern BERT based Text-Conditioned Diffusion Model for Medical Image Segmentation

一种快速且高效的基于现代BERT的文本条件扩散模型用于医学图像分割

Venkata Siddharth Dhara, Pawan Kumar

机构 * International Institute of Information Technology, Hyderabad, 500032, India（国际信息科技学院，海得拉巴） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；image generation(abstract)；分类 cs.CV

AI总结 本文提出FastTextDiff，利用ModernBERT提升医学图像分割的效率和准确性，通过整合文本注释和多模态注意力机制改进传统扩散模型。

Comments 15 pages, 3 figures, Accepted in Slide 3 10th International Conference on Computer Vision & Image Processing (CVIP 2026)

ToMA: Token Merge with Attention for Diffusion Models

ToMA: 通过注意力机制的令牌合并用于扩散模型

Wenbo Lu, Shaoyi Zheng, Yuxuan Xia, Shengjie Wang

机构 * Department of Computer Science, New York University（纽约大学计算机科学系） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；image generation(abstract)

AI总结 ToMA通过重新设计令牌合并方法，提升扩散模型的GPU效率，减少生成延迟并优化实际性能。

Comments In proceedings of the 42nd International Conference on Machine Learning (ICML 2025). Code available at https://github.com/wenboluu/ToMA

SGDiff: Scene Graph Guided Diffusion Model for Image Collaborative SegCaptioning

SGDiff: 基于场景图引导的扩散模型用于图像协作分割与描述

Xu Zhang, Jin Yuan, Hanwang Zhang, Guojin Zhong, Yongsheng Zang, Jiacheng Lin, Zhiyong Li

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 SGDiff通过基于场景图引导的扩散模型，实现从简单提示到多样化描述与掩码对的图像协作分割与描述任务，提升语义对齐与灵活结果选择能力。

Comments Accept by AAAI-2025

Diffusion Fuzzy System: Fuzzy Rule Guided Latent Multi-Path Diffusion Modeling

扩散模糊系统：基于模糊规则的潜在多路径扩散建模

Hailong Yang, Te Zhang, Kup-sze Choi, Zhaohong Deng

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 本文提出扩散模糊系统，通过模糊规则引导的多路径扩散建模，提升图像生成的稳定性和质量。

DualCamCtrl: Dual-Branch Diffusion Model for Geometry-Aware Camera-Controlled Video Generation

DualCamCtrl: 基于双分支扩散模型的几何感知摄像机控制视频生成

Hongfei Zhang, Kanghao Chen, Zixin Zhang, Harold Haodong Chen, Yuanhuiyi Lyu, Yuqi Zhang, Shuai Yang, Kun Zhou, Yingcong Chen

机构 * HKUST (GZ)（香港科技大学） ； HKUST（香港科技大学） ； Fudan University（复旦大学） ； Shenzhen University（深圳大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 DualCamCtrl通过双分支扩散模型实现几何感知的摄像机控制视频生成，有效提升视频生成的一致性和准确性。

Harnessing Diffusion-Generated Synthetic Images for Fair Image Classification

利用扩散生成的合成图像实现公平的图像分类

Abhipsa Basu, Aviral Gupta, Abhijnya Bhat, R. Venkatesh Babu

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 本文提出利用扩散模型微调技术生成组平衡数据，以提升图像分类的公平性，实验表明其在去偏效果上优于现有方法。

Comments Accepted to AAAI AISI Track, 2026

CraftSVG: Multi-Object Text-to-SVG Synthesis via Layout Guided Diffusion

CraftSVG: 通过布局引导扩散实现多对象文本到SVG合成

Ayan Banerjee, Nityanand Mathur, Josep Llados, Umapada Pal, Anjan Dutta

机构 * Computer Vision Center, Universitat Autònoma de Barcelona（巴塞罗那自治大学计算机视觉中心） ； Smallest AI ； Indian Statistical Institute, Kolkata（印度统计研究所） ； Institute for People Centred Artificial Intelligence, University of Surrey（以人为中心的人工智能研究所，萨里大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 SVGCraft通过布局引导扩散模型实现多对象文本到SVG合成，提升场景生成的抽象性、可识别性和细节表现。

ChronosObserver: Taming 4D World with Hyperspace Diffusion Sampling

ChronosObserver: 用超空间扩散采样驯服4D世界

Qisen Wang, Yifan Zhao, Peisen Shen, Jialu Li, Jia Li

机构 * State Key Laboratory of Virtual Reality Technology and Systems, SCSE, Beihang University（虚拟现实技术与系统国家重点实验室，北京航空航天大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 ChronosObserver通过超空间表示和引导采样，实现无需训练的高质量多视角时间同步视频生成，解决4D世界生成难题。

MDiff4STR: Mask Diffusion Model for Scene Text Recognition

MDiff4STR：用于场景文本识别的掩码扩散模型

Yongkun Du, Miaomiao Zhao, Songlin Fan, Zhineng Chen, Caiyan Jia, Yu-Gang Jiang

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 MDiff4STR通过改进的掩码扩散模型在场景文本识别中实现更高的准确性和快速推断。

Comments Accepted by AAAI 2026 (Oral)

Efficient Training of Diffusion Mixture-of-Experts Models: A Practical Recipe

扩散混合专家模型的高效训练：一种实用配方

Yahui Liu, Yang Yue, Jingyuan Zhang, Chenxi Sun, Yang Zhou, Wencong Zeng, Ruiming Tang, Guorui Zhou

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 本文提出了一种高效训练扩散混合专家模型的方法，通过优化架构配置提升模型性能，提供实用且高效的训练方案。

Comments 9 pages, 7 figures

TalkingPose: Efficient Face and Gesture Animation with Feedback-guided Diffusion Model

TalkingPose: 基于反馈引导扩散模型的高效人脸与手势动画

Alireza Javanmardi, Pragati Jaiswal, Tewodros Amberbir Habtegebrial, Christen Millerdurai, Shaoxiang Wang, Alain Pagani, Didier Stricker

机构 * German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI）） ； RPTU（鲁尔大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 TalkingPose通过反馈引导扩散模型实现高效的人体上半身动画生成，支持无限持续时间的连贯动画创作。

Comments WACV 2026, Project page available at https://dfki-av.github.io/TalkingPose

Dynamic-eDiTor: Training-Free Text-Driven 4D Scene Editing with Multimodal Diffusion Transformer

Dynamic-eDiTor: 基于文本的无训练4D场景编辑与多模态扩散变换器

Dong In Lee, Hyungjun Doh, Seunggeun Chi, Runlin Duan, Sangpil Kim, Karthik Ramani

机构 * Purdue University（普渡大学） ； Korea University（韩国大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 Dynamic-eDiTor通过多模态扩散变换器和4DGS实现无训练文本驱动的4D场景编辑，提升多视图和时间一致性。

Comments 4D Scene Editing

HiGFA: Hierarchical Guidance for Fine-grained Data Augmentation with Diffusion Models

HiGFA: 基于扩散模型的细粒度数据增强的分层引导

Zhiguang Lu, Qianqian Xu, Peisong Wen, Siran Dai, Qingming Huang

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 HiGFA通过分层引导和动态置信度调节，提升细粒度数据增强的合成图像质量。

LiNeXt: Revisiting LiDAR Completion with Efficient Non-Diffusion Architectures

LiNeXt：重新审视基于高效非扩散架构的LiDAR补全

Wenzhe He, Xiaojun Chen, Ruiqi Wang, Ruihui Li, Huilong Pi, Jiapeng Zhang, Zhuo Tang, Kenli Li

专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV

AI总结 LiNeXt通过高效非扩散架构实现快速准确的LiDAR点云补全，提升实时性能并减少计算开销。

Comments 18 pages, 13 figures, Accepted to AAAI 2026