图像生成

Anonymization Prompt Learning for Facial Privacy-Preserving Text-to-Image Generation

面向面部隐私保护的匿名化提示学习

Liang Shi, Jie Zhang, Shiguang Shan

机构 * University of Chinese Academy of Sciences（中国科学院大学） 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 本文提出匿名化提示学习方法，通过训练可学习的提示前缀，实现文本到图像生成中面部身份的匿名化，以保护隐私并防止深度伪造风险。

Comments Accepted by IJCV

M3: High-fidelity Text-to-Image Generation via Multi-Modal, Multi-Agent and Multi-Round Visual Reasoning

M3：通过多模态、多智能体和多轮视觉推理实现高保真的文本到图像生成

Bangji Yang, Ruihan Guo, Jiajun Fan, Chaoran Cheng, Ge Liu

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 M3通过多智能体和多轮视觉推理提升开源模型的文本到图像生成能力，超越商业系统并实现最先进的性能。

PromptSplit: Revealing Prompt-Level Disagreement in Generative Models

PromptSplit: 暴露生成模型中的提示级分歧

Mehdi Lotfian, Mohammad Jalali, Farzan Farnia

机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong（计算机科学与工程系，香港中文大学） 纠错

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

AI总结 PromptSplit通过核方法检测生成模型在提示层面的分歧，提供可解释的分析工具以识别模型行为差异。