视觉与机器人
图像生成、文生图、图像编辑、扩散模型和可控生成。
Gen4U：通过扩散统一视频生成与理解
机构 * Google DeepMind（谷歌DeepMind）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 研究通过互 kNN 对齐指标揭示视频扩散模型潜在空间特性，引入 Gen4U 框架，该框架能单次前向传递重新利用生成表示，实验表明冻结的大规模视频扩散模型可作视频编码器，Gen4U 统一视频生成与理解范式且保留生成能力。
检索和优化用于基于扩散的运动生成的获胜噪声票证
机构 * Institute of Science Tokyo（东京科学研究所） ； LY Corporation（LY公司） ； National Institute of Informatics (NII)（国立情报学研究所）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 研究基于扩散的文本到运动模型语义漂移问题，提出WINRO框架，通过在扩散采样前选择和优化获胜噪声票证改善文本与运动对齐，无需重新训练，提升了不同模型的文本与运动保真度、时间鲁棒性，并推广到多种应用。
Comments Accepted to ECCV 2026, Project page: https://sinc865.github.io/winro/
MMDiff: 扩展扩散变换器用于多模态生成
机构 * University of Oxford, Visual Geometry Group（牛津大学视觉几何组）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出MMDiff框架，利用冻结的扩散变换器通过轻量解码器联合生成图像及多种密集感知模态，发现多时间步特征融合与空间变化聚合权重是关键，在语义分割等任务上取得优异性能。
通过教师对齐修复弥合扩散剪枝与步长蒸馏
机构 * School of Big Data and Artificial Intelligence（大数据与人工智能学院） ； Guangdong University of Finance and Economics（广东财经大学） ； School of Computer Science（计算机科学学院） ； Shandong University（山东大学） ； GDUFE-UCM Joint Institute（广东财经大学-UCM联合学院）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 研究扩散模型推理成本高的问题，提出用教师对齐修复阶段连接剪枝与步长蒸馏，解决剪枝后重新训练难题，在ImageNet-512上实验，不同剪枝比例下模型参数减少、评估次数降低，FID有相应变化。
FourTune：迈向扩散模型的全4位高效训练后优化
机构 * Nunchux AI ； MIT（麻省理工学院） ； CMU（卡内基梅隆大学） ； UC Berkeley（加州大学伯克利分校）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 针对大型扩散模型训练后优化的挑战，提出FourTune框架，基于端到端W4A4G4范式，引入三分支混合管道、硬件高效量化等，在多任务中质量与全精度微调相当，在特定数据集上降低内存开销、提高训练吞吐量。
基于扩散模型中的多特征聚合实现鲁棒的面部超分辨率和识别
机构 * Federal University of Paraná（巴拉那联邦大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 针对监控图像质量低影响人脸识别的问题，提出基于扩散模型的FASR++算法，通过整合多图像特征生成超分辨率输出，减少身份失真，经实验验证，该算法在多指标上取得最优结果，提升了人脸识别性能。
Journal ref Journal of the Brazilian Computer Society, vol. 32, no. 1, pp. 1457-1470, 2026
通过级联扩散反演恢复云微观结构
机构 * Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Hebrew University of Jerusalem（耶路撒冷希伯来大学） ； University of California, San Diego（加利福尼亚大学圣地亚哥分校）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 针对卫星云图像分辨率不足及现有方法不适用于此类图像的问题，提出基于扩散的两阶段超分辨率框架，能将云微观结构分辨率提高4倍，在精度和视觉质量上优于现有方法，为云微物理分析及利用AI促进气候和可持续性提供路径。
Comments Published at ML4RS Workshop ICLR 2026
CONFLUX：一种用于3D胸部CT合成的潜在扩散模型及强化学习后训练
机构 * Department of Biomedical Data Science, Stanford University School of Medicine（斯坦福大学医学院生物医学数据科学系） ； Department of Mathematical Modelling, Statistics & Bioinformatics, Ghent University（根特大学数学建模、统计与生物信息学系） ； Department of Electrical Engineering, Stanford University（斯坦福大学电气工程系）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出CONFLUX潜在扩散模型用于胸部CT合成，由3D变分自编码器和整流流变压器构成，基于放射学元数据生成，通过强化学习后训练增强对临床属性控制，在三平面弗雷歇距离上领先并发布模型与数据集。
用于心脏电影MRI重建的分段动态扩散正则化方法
机构 * Technical University of Munich（慕尼黑技术大学） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 针对实时心脏电影MRI严重欠采样与运动导致的重建难题，提出PDDR方法，分段融合时空扩散先验，实现高效高质量重建，性能优于现有方法。
引导扩散表示学习中的优化轨迹
机构 * Imperial College London（伦敦帝国理工学院）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 该研究探究扩散自编码器图像质量相近但潜在结构差异大的成因，提出SteeringDRL方法，通过门控残差U-Net和噪声水平课程引导优化，提升表示质量并降低种子敏感性。
无人机的最后一米精确导航：一种扩散细化的空中视觉伺服方法
机构 * FST and ICI, University of Macau（澳门大学科技学院及资讯与通信技术研究所）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 研究无人机最后一米精确导航，提出DreamNav框架，先粗估计旋转，再用预训练世界模型模拟未来视觉观测选轨迹，贡献PairUAV基准测试，实验表明DreamNav性能优。
EMPURPLE：基于信息瓶颈的扩散蒸馏免费午餐
机构 * University of Nottingham（诺丁汉大学） ； Ruhr University Bochum（波鸿鲁尔大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 研究扩散模型推理成本高问题。通过PAC-style泛化界分析原因，提出无需训练的EMPURPLE减少中间潜在分布不匹配，提升FID，该方法与模型无关，在多个模型上效果显著。
Comments 20 pages,2 figures, conference
CineMobile：用于电影级相机运动生成的设备端图像到视频扩散
机构 * Shanghai Jiao Tong University（上海交通大学） ； Nankai University（南开大学） ； Transsion（传音）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 针对移动设备图像到视频创作需求，提出CineMobile。采用蒸馏引导剪枝、扩散蒸馏与强化学习优化及混合后训练量化策略，在保持视觉质量的同时大幅加速生成，证明其在移动图像到视频创作中的实用性。
通过少数偏好优化实现自我改进的扩散分类器
机构 * Korea University（韩国大学） ； Kook Min University（国民大学） ； Kyung Hee University（庆熙大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 研究发现扩散分类器感知偏向多数区域，提出MiPO方法，利用少数偏好奖励微调预训练扩散模型，无需额外图像数据等，经实验验证可缓解偏差并提升零样本扩散分类性能。
Comments ECCV 2026
IPDiff：基于信息重构和多先验引导的扩散驱动光学遥感图像显著目标检测
机构 * School of Communication and Information Engineering, Shanghai University（上海大学通信与信息工程学院） ； Department of Medical Equipment, the First Affiliated Hospital of Zhengzhou University（郑州大学第一附属医院医学装备部） ； School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院） ； School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院） ； Shenzhen Key Laboratory of Ubiquitous Data Enabling, Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院深圳泛在数据赋能重点实验室）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出IPDiff，一种基于独特动态优化策略的扩散驱动光学遥感图像显著目标检测方法，通过提取多先验信息，在去噪网络中迭代去噪生成显著图，并经混合损失函数监督训练，性能优于46种先进方法。
Comments 22 pages, 8 figures, accepted by IJCV 2026
EPRA U-Net：一种用于扩散加权磁共振成像中准确梗死分割的高效金字塔残差注意力框架
机构 * Yozgat Bozok University（亚兹加特博兹克大学） ； Izmir Bakircay University（伊兹米尔巴克伊大学） ； Queen Mary’s Digital Environment Research Institute (DERI)（皇后玛丽数字环境研究 institute (DERI)） ； Firat University（费拉特大学） ； Qatar University（卡塔尔大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 研究提出EPRA U-Net用于DWI图像梗死分割，用基于EfficientNet的编码器提取特征，集成多种模块并采用双注意力机制，用Tversky损失函数，实验表明其性能优于其他模型。
Comments 25 pages, 13 figures, 10 tables
Flex-Forcing：迈向统一的自回归和双向视频扩散模型
机构 * NVIDIA（英伟达）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 研究针对现有视频生成方法推理范式僵化的问题，提出Flex-Forcing框架。核心是灵活分块机制，可依设备预算灵活分块，跨块双向推理与块内自回归生成，实验表明该框架提升了视频质量、稳定性并加快推理速度。
Comments Project page: https://research.nvidia.com/labs/genair/flex-forcing
使用扩散模型进行手写轨迹恢复
机构 * Kyushu University（九州大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出首个基于扩散模型的框架用于从离线手写图像恢复在线笔轨迹，将其作为图像条件生成任务，用去噪扩散模型采样轨迹，实验验证该方法能准确恢复复杂多笔画字符，提升指标并具笔画顺序倾向及泛化能力。
用于多任务医学图像分割的信噪比自适应统一扩散
机构 * School of Telecommunications Engineering, Xidian University（西安电子科技大学通信工程学院） ； School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 研究解决临床心脏成像模型冗余及知识共享问题，提出统一扩散分割框架UniT-Diff，通过特定机制化解冲突，在多基准测试中超越独立训练的特定任务基线。
Comments Accepted to IEEE SMC 2026. 6 pages, 15 figures
HyperVAttention：用于视频扩散的具有时空聚类的高效稀疏注意力
机构 * KAIST（韩国科学技术院） ； Google Research（谷歌研究院）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 针对视频扩散中自注意力机制的二次复杂度问题，提出HyperVAttention框架，通过3D局部窗口聚类等方法解决聚类开销大及CTA利用率低的瓶颈，提升视频扩散中无训练稀疏注意力的质量和速度。
Comments 21 pages, 8 figures
唤醒扩散变换器：通过大规模激活调制激发更强的生成和理解能力
机构 * Shanghai Jiao Tong University（上海交通大学） ； Monash University（莫纳什大学） ； The University of Hong Kong（香港大学） ； Zhongguancun Academy（中关村科学城创新中心） ； Chulalongkorn University（朱拉隆功大学） ； City University of Hong Kong（香港城市大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 研究扩散变换器中大规模激活（MAs）的结构和功能，发现其空间分布及与AdaLN残差缩放因子的关系。基于此提出EMA框架，通过MA驱动的细节引导和MA调制的表征提取，提升生成和理解能力。
BiSLW：用于生成扩散模型的双谱潜在水印
机构 * PDPM Indian Institute of Information Technology, Jabalpur（印度信息技术学院（贾巴尔普尔））
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 研究针对扩散生成模型易被非法使用且缺乏可靠溯源方法的问题，提出BiSLW框架，利用潜在空间频率结构在互补谱带嵌入身份信号，平衡感知保真度与鲁棒性。
Comments ECCV 2026
分层反美学：保护面部隐私免受定制扩散模型侵害
机构 * School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； China Mobile Information Technology Co., Ltd.（中国移动信息科技有限公司） ； State Key Laboratory of Multimodal Artificial Intelligence Systems (MAIS), Center for Research on Intelligent Perception and Computing (CRIPAC), Institute of Automation Chinese Academy of Sciences (CASIA)（多模态人工智能系统国家重点实验室（MAIS）、智能感知与计算研究中心（CRIPAC）、中国科学院自动化研究所（CASIA））
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出分层反美学框架，通过全局和局部反美学奖励机制降低定制扩散模型的生成质量，从而保护面部隐私。
Comments arXiv admin note: text overlap with arXiv:2504.12129
基于双判别器扩散对齐的开放天气鲁棒3D检测
机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； MIIT Key Laboratory of Pattern Analysis and Machine Intelligence（工业和信息化部模式分析与机器智能重点实验室）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出双判别器引导扩散对齐（DCDA）框架，通过4D雷达条件扩散过程恢复退化LiDAR特征，无需显式天气建模，在未见天气类型和强度下实现鲁棒3D检测。
Comments 18 pages, 6 figures, 8 tables. ECCV 2026 camera-ready
PointDiT: 用于单目几何估计的像素空间扩散
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出基于纯ViT的像素空间扩散Transformer，直接在原始3D点图块上操作，无需复杂架构和潜在空间压缩，在单目几何估计中超越潜在扩散模型。
Comments ICML 2026. Project page: https://haofeixu.github.io/pointdit/
OrbitQuant: 图像和视频扩散Transformer的数据无关量化
机构 * Cantina Labs（Cantina实验室） ； University of Southern California（南加州大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出数据无关量化方法OrbitQuant，通过归一化旋转基和Lloyd-Max码本，无需校准数据即可对扩散Transformer的权重和激活进行低比特量化，在多个模型和模态上达到最优。
QWERTY: 通过查询扭曲的视频扩散变换器实现无需训练的运动控制
机构 * Department of Computer Science, Yonsei University（延世大学计算机科学系） ； Department of Artificial Intelligence, Yonsei University（延世大学人工智能系）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出QWERTY框架，通过扭曲查询的语义子空间，在预训练图像到视频扩散变换器中实现无需训练的运动控制，性能接近微调方法。
Comments 37 pages, 18 figures, accepted at the European Conference on Computer Vision (ECCV) 2026
ProSAC-CT: 渐进式频谱-解剖协同引导的多阶段扩散模型用于低剂量CT去噪
机构 * College of Medicine and Biological Information Engineering, Northeastern University（东北大学医学与生物信息工程学院） ； Tohoku University School of Medicine（东北大学医学院） ； State Key Laboratory of Oncology in South China, Sun Yat-sen University Cancer Center（华南肿瘤学国家重点实验室，中山大学肿瘤防治中心） ； AI Lab, Tohoku University Hospital（东北大学医院人工智能实验室）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出ProSAC-CT，一种渐进式频谱-解剖协同引导的多阶段扩散模型，通过解剖先验引导、残差频域解耦和时间步解耦解码器，有效去除低剂量CT噪声并保留解剖细节。
Comments 14 pages, 8 figures, 3 tables
InterCMDM：用于自回归人体交互生成的块因果扩散
机构 * LY Corporation（LY公司）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出InterCMDM块因果潜扩散框架，通过双流因果扩散Transformer和多重任务注意力掩码实现自回归双人交互生成，解决因果性缺失和时间漂移问题，在InterHuman和InterX上达到最优性能。
Comments Accepted to ECCV 2026, Project website: https://yu1ut.com/InterCMDM-HP/
ICDepth: 通过上下文条件化驯服视频扩散模型用于视频深度估计
机构 * The Hong Kong University of Science and Technology（香港科技大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出ICDepth框架，利用上下文条件化（ICC）将预训练文本到视频扩散Transformer适配到视频深度估计，通过SAND-Attention确保时空对齐和SRFM注入语义分辨率先验，仅用0.8M帧训练数据即达到SOTA并展现强零样本泛化。
Comments Accepted to ECCV 2026. Project page: https://xuanhuahe.github.io/ICDepth/
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈