图像生成

ZeroScene: A Zero-Shot Framework for 3D Scene Generation from a Single Image and Controllable Texture Editing

ZeroScene: 一种基于单张图像的3D场景生成零样本框架及可控纹理编辑

Xiang Tang, Ruotong Li, Xiaopeng Fan

机构 * Harbin Institute of Technology, Shenzhen, China（哈尔滨工业大学（深圳）） ； Pengcheng Laboratory, China（鹏城实验室） ； Harbin Institute of Technology, China（哈尔滨工业大学） ； Harbin Institute of Technology, Suzhou Research Institute, China（哈尔滨工业大学苏州市研究院） 纠错

专题命中 可控生成 ：image generation(abstract)；diffusion(abstract)；分类 cs.CV、cs.GR

AI总结 ZeroScene通过零样本方法实现单图像3D场景生成与可控纹理编辑，结合大视觉模型先验知识，提升场景连贯性和渲染真实感。

Comments 16 pages, 15 figures, Eurographics 2026, Project page: https://xdlbw.github.io/ZeroScene/

DreamAnywhere: Object-Centric Panoramic 3D Scene Generation

DreamAnywhere: 基于对象的全景3D场景生成

Edoardo Alberto Dominici, Jozef Hladky, Floor Verhoeven, Lukas Radl, Thomas Deixelberger, Stefan Ainetter, Philipp Drescher, Stefan Hauswiesner, Arno Coomans, Giacomo Nazzaro, Konstantinos Vardis, Markus Steinberger

机构 * Huawei Technologies（华为技术有限公司） ； Graz University of Technology（格拉茨技术大学） 纠错

专题命中 可控生成 ：inpainting(abstract)；分类 cs.CV、cs.GR

AI总结 DreamAnywhere通过模块化系统实现快速生成和原型设计3D场景，提升新视角合成的连贯性并实现高质量图像输出。

Comments WACV 2026 Oral

Towards Geometric and Textural Consistency 3D Scene Generation via Single Image-guided Model Generation and Layout Optimization

面向几何与纹理一致性的单图像引导模型生成与布局优化的3D场景生成

Xiang Tang, Ruotong Li, Xiaopeng Fan

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳分校） ； Peng Cheng Laboratory（鹏城实验室） ； Harbin Institute of Technology（哈尔滨工业大学） ； Harbin Institute of Technology, Suzhou Research Institute（哈尔滨工业大学苏州研究院） 纠错

专题命中 可控生成 ：inpainting(abstract)；分类 cs.CV、cs.GR

AI总结 本文提出一种三阶段框架，通过单图像引导的模型生成和空间布局优化，实现具有高几何准确性和纹理保真的3D场景生成。

Comments 14 pages, 9 figures, Project page: https://xdlbw.github.io/sing3d/

Digital Twin Generation from Visual Data: A Survey

从视觉数据生成数字孪生：一项调查

Andrew Melnik, Benjamin Alt, Giang Nguyen, Artur Wilkowski, Maciej Stefańczyk, Qirui Wu, Sinan Harms, Helge Rhodin, Manolis Savva, Michael Beetz

机构 * University of Bremen（不莱梅大学） ； Warsaw University of Technology（华沙技术大学） ； Bielefeld University（比勒菲尔德大学） ； Simon Fraser University（西蒙弗雷泽大学） 纠错

专题命中 可控生成 ：inpainting(abstract)；分类 cs.CV

AI总结 本文综述了从视觉数据生成数字孪生的最新方法，探讨了多种技术及其挑战，为实际应用提供了全面的视角。

VQ-DSC-R: Robust Vector Quantized-Enabled Digital Semantic Communication With OFDM Transmission

VQ-DSC-R：基于OFDM传输的鲁棒向量量化数字语义通信

Jianqiao Chen, Nan Ma, Xiaodong Xu, Tingting Zhu, Huishi Song, Chen Dong, Wenkai Liu, Rui Meng, Ping Zhang

机构 * ZGC Institute of Ubiquitous-X Innovation and Applications（ubiquitous-X 创新与应用研究所） ； Beijing Key Laboratory of 6G DOICT converged and Cloud-Native Mobile Information Networks（北京6G DOICT融合与云原生移动信息网络重点实验室） ； State Key Laboratory of Networking and Switching Technology（网络与交换技术国家重点实验室） ； Beijing University of Posts and Telecommunications（北京邮电大学） 纠错

专题命中 可控生成 ：diffusion(abstract)

AI总结 本文提出VQ-DSC-R系统，通过Swin Transformer和ANDVQ方案实现鲁棒的语义通信，提升压缩比和实际性能。

Token-Based Audio Inpainting via Discrete Diffusion

基于令牌的音频修补通过离散扩散

Tali Dror, Iftach Shoham, Moshe Buchris, Oren Gal, Haim Permuter, Gilad Katz, Eliya Nachmani

机构 * School of Electrical and Computer Engineering, Ben-Gurion University of the Negev（本·古里安大学电子与计算机工程学院） ； Faculty of Computer and Information Science, Data Science Research Center, Ben-Gurion University of the Negev（本·古里安大学计算机与信息科学学院） ； University of Haifa（海法大学） 纠错

专题命中 图像修复 ：diffusion(title,abstract)；inpainting(title,abstract)

AI总结 本文提出基于离散扩散的音频修补方法，通过令牌化音乐表示实现长缺失区域的稳定修复，并引入两种训练策略提升模型性能。

Dynamic Training-Free Fusion of Subject and Style LoRAs

动态免训练 主体与风格LoRA融合

Qinglong Cao, Yuntian Chen, Chao Ma, Xiaokang Yang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Eastern Institute of Technology（技术东院） 纠错

专题命中 个性化与一致性 ：diffusion(abstract)；分类 cs.CV

AI总结 本文提出一种动态免训练的LoRA融合框架，通过特征级选择和度量引导的潜在调整实现主体与风格的动态合成，无需重新训练即可提升生成效果。

Efficient Generative Modeling beyond Memoryless Diffusion via Adjoint Schrödinger Bridge Matching

通过伴随Schrödinger桥匹配实现超越记忆扩散的高效生成建模

Jeongwoo Shin, Jinhwan Sul, Joonseok Lee, Jaewong Choi, Jaemoo Choi

机构 * Seoul National University（首尔国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Sungkyunkwan University（松山大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；image generation(abstract)；分类 cs.CV

AI总结 ASBM通过优化轨迹生成提升高维数据生成的稳定性和效率，减少采样步骤提高图像生成保真度。

Syndrome-Flow Consistency Model Achieves One-step Denoising Error Correction Codes

综合征流一致性模型实现一步去噪纠错编码

Haoyu Lei, Chin Wa Lau, Kaiwen Zhou, Nian Guo, 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） ； Huawei Technologies Co., Ltd.（华为技术有限公司） ； Theory Lab（理论实验室） ； Noah’s Ark Lab（诺亚实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 ECCFM通过软综合征条件重新参数化PF-ODE，实现单步高保真纠错解码，提升效率与精度。

Efficient Personalization of Generative Models via Optimal Experimental Design

通过最优实验设计实现生成模型的高效个性化

Guy Schacht, Ziyad Sheebaelhamd, Riccardo De Santi, Mojmír Mutný, Andreas Krause

机构 * ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院） ； ETH AI Center, Zurich, Switzerland（苏黎世联邦理工人工智能中心） ； Broad Institute, Boston, USA（Broad研究所） 纠错

专题命中 效率与蒸馏 ：text-to-image(abstract)

AI总结 本文通过最优实验设计方法，高效地利用人类反馈优化生成模型的个性化，减少偏好查询的数量。

Qronos: Correcting the Past by Shaping the Future... in Post-Training Quantization

Qronos：通过塑造未来修正过去……在训练后量化中

Shihao Zhang, Haoyu Zhang, Ian Colbert, Rayan Saab

机构 * Department of Mathematics University of California, San Diego（数学系加州大学圣地亚哥分校） ； Software Architecture Advanced Micro Devices, Inc.（软件架构先进微器件公司） ； Department of Mathematics & HDSI University of California, San Diego（数学系及HDSI加州大学圣地亚哥分校） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 Qronos通过迭代优化框架在训练后量化中显式纠正误差并超越现有方法，提升模型精度。