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。
DiffMath：面向手写数学表达式生成的符号与图感知潜在扩散Transformer
机构 * South China University of Technology（华南理工大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出DiffMath框架，利用LaTeX层次结构作为先验，通过关系抽象语法树、结构保持潜在表示和条件去噪，无需位置监督即可生成结构一致的手写数学表达式。
学习何时去噪：优化潜在扩散的异步调度
机构 * Department of Electrical and Computer Engineering（电气与计算机工程系）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出学习异步调度策略，通过调度校正目标优化多表示扩散模型的去噪顺序，在ImageNet 256x256上以不到1%额外训练计算实现4倍加速，FID达1.02。
Comments 25 pages, 9 figures, 4 tables
PerceptionDLM：基于多模态扩散语言模型的并行区域感知
机构 * Peking University（北京大学） ； MSALab ； ByteDance（字节跳动）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出PerceptionDLM，利用扩散语言模型的并行解码特性，通过高效提示和结构化注意力掩码实现多区域并行感知，显著提升推理效率，并构建ParaDLC-Bench基准进行评估。
Comments Code available at https://github.com/MSALab-PKU/PerceptionDLM
EndoCoT：扩散模型中的内生思维链推理扩展
机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Xi’an Jiaotong University（西安交通大学） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiaotong University（上海交通大学） ； Fudan University（复旦大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出EndoCoT框架，通过迭代思维引导模块激活MLLM的推理潜力，并利用终端思维接地模块确保推理轨迹与文本监督对齐，使DiT逐步执行复杂任务，在多个基准上平均准确率达92.1%。
Comments 23 pages, 18 figures, The code and dataset are publicly available at https://internlm.github.io/EndoCoT/
DiT-JSCC：基于扩散变换器与语义表示的深度JSCC再思考
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of Shanghai for Science and Technology（上海科技大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出DiT-JSCC框架，联合学习语义优先表示编码器和扩散变换器生成解码器，通过粗细粒度条件解码和基于Kolmogorov复杂度的自适应带宽分配，在极端信道条件下提升语义一致性与传输效率。
Comments 14pages, 14figures, 2tables
模型中的市场：潜在扩散作为神经经济
机构 * Cambridge Digital Humanities（剑桥数字人文研究中心） ； University of Cambridge（剑桥大学） ； Machine Visual Culture Research Group（机器视觉文化研究组） ； Max Planck Institute（马克斯·普朗克研究所）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 本文从计算机视觉工程问题出发，分析潜在扩散模型的机制，论证其作为神经经济运作，将社会交流抽象为可通约向量，并警示仅关注版权与商品防御的批评可能强化模型产生的拜物教。
面向扩散模型训练的几何感知数据集压缩
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 针对扩散模型训练，提出基于几何感知分布对齐的真实子集选择方法，利用单侧部分最优传输保持几何结构，并辅以轻量级特征统计与语义一致性正则化，通过两阶段离散优化实现高效压缩。
Comments ICML 2026
基于傅里叶运动建模的条件潜扩散模型用于虚拟人群合成
机构 * Centre for Computational Imaging and Modelling in Medicine (CIMIM)（计算医学成像与建模中心） ； University of Manchester（曼彻斯特大学） ； Christabel Pankhurst Institute（克里斯塔贝尔·潘克赫斯特研究所） ； Department of Computer Science（计算机科学系） ； Division of Informatics, Imaging & Data Sciences（信息学、成像与数据科学分会） ； Department of Electrical & Electronic Engineering（电子与电气工程系） ； NIHR Manchester Biomedical Research Centre, Manchester Academic Health Sciences Centre, University of Manchester（尼日利亚卫生研究委员会曼彻斯特生物医学研究中心、曼彻斯特学术健康科学中心、曼彻斯特大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出4D F-MeshLDM框架，结合卷积网格VAE、截断傅里叶级数运动参数化和条件扩散先验，实现可控的3D+t心脏网格序列生成，在UK Biobank数据上优于基线方法。
Comments This work has been early accepted by International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2026
我们真的需要扩散吗？用于配对医学图像翻译的快速U-Net
机构 * Institute of Artificial Intelligence, Ulm University（乌尔姆大学人工智能研究所） ； Institute of Orthopaedic Research and Biomechanics, Centre for Trauma Research, University Hospital Ulm（乌尔姆大学医院创伤研究中心骨科研究与生物力学研究所） ； AI for Sensor Data Analytics Research Group, Ulm University of Applied Sciences（乌尔姆应用科学大学传感器数据分析人工智能研究组）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 本文比较轻量级4级U-Net与去噪扩散概率模型（DDPM）在从T2加权MRI估计脂肪分数任务上的性能，发现U-Net在精度和速度上均优于DDPM。
DiffPC: 基于扩散的投影仪光度补偿
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.MM
AI总结 提出一种基于扩散模型的光度补偿方法，将投影失真建模为环境相关加性噪声，通过扩散模型逐步去噪生成补偿图像，并设计融合光度与内容特征的噪声估计网络，在未知场景中取得更优视觉表现。
使用扩散学习视觉纹理的最大熵模型
机构 * New York University（纽约大学） ； Flatiron Institute（熨斗研究所）
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无监督学习最大熵模型统计量的纹理建模方法，仅用512个统计量即可生成质量优于或媲美当前最优模型（约177k统计量）的纹理图像，并实现平滑插值。
Pulling The REINS: 通过表示引导实现视频扩散模型的无训练安全对齐
机构 * University of California, Riverside（加州大学河滨分校） ； YouTube (Google)（YouTube（谷歌））
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出REINS方法，在推理时通过线性方向引导视频扩散模型的内部表示，实现无训练的安全对齐，避免有害内容生成，且不降低通用能力。
扩散同步的变分测试时优化
机构 * Seoul National University（首尔大学） ； University of California, Irvine（加利福尼亚大学尔湾分校）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出基于最优控制的变分测试时优化框架，通过优化控制变量引导多轨迹协同生成，无需额外训练即可提升扩散同步性能。
Comments Preprint. Project website: https://hleephilip.github.io/SyncVC/
重新思考扩散变换器中的跨层信息路由
机构 * Nanjing University（南京大学） ； Alibaba Group（阿里巴巴集团） ； Zhejiang University（浙江大学） ； 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 本文研究了扩散变换器中跨层信息流动的问题，通过系统性的实证分析，识别了传统残差加法的三个具体症状，并提出了扩散适应性路由（DAR）方法，以实现可学习、时间步适应和非递增的子层输出聚合，从而提升模型性能。
DVD: 用于3D生成和编辑的离散体素扩散
机构 * Imperial College London（伦敦帝国学院） ； Math Magic ； Hitem3D
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出离散体素扩散框架（DVD），通过将体素占用视为离散变量，实现稀疏体素的生成、不确定性估计和编辑，避免连续到离散的阈值处理，并提供可解释的生成动态。
FUSER: 前馈多视图3D配准Transformer与SE(3)^N扩散精化
机构 * Nanyang Technological University（南洋理工大学） ； Alibaba Group（阿里巴巴集团） ； Nanjing University（南京大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出FUSER，首个前馈多视图配准Transformer，在统一潜在空间中直接预测全局位姿，避免成对匹配；并引入SE(3)^N扩散精化框架FUSER-DF以校正估计。
Comments Accepted to CVPR 2026 (Oral)
DiffAttn: 基于扩散的驾驶员视觉注意力预测与LLM增强语义推理
机构 * School of vehicle and Mobility, Tsinghua University（清华大学车辆与移动性学院） ； Beijing Key Laboratory of Human-Computer Interaction, Institute of Software, Chinese Academy of Sciences（北京人机交互重点实验室，中国科学院软件研究所） ； Remote Sensing and Earth Observation Laboratory, University of Copenhagen（远程感知与地球观测实验室，哥本哈根大学） ； California PATH, University of California, Berkeley（加州PATH，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 提出DiffAttn框架，将驾驶员视觉注意力预测建模为条件扩散去噪过程，结合Swin Transformer、特征融合金字塔和LLM增强语义推理，在四个数据集上达到最先进性能。
Phys4D: 从视频扩散模型实现细粒度物理一致的4D建模
机构 * Northwestern University（西北大学） ； Dolby Laboratories（杜比实验室）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出Phys4D流水线，通过三阶段训练（伪监督预训练、物理监督微调、强化学习校正）从视频扩散模型学习物理一致的4D世界表示，显著提升细粒度时空与物理一致性。
UniDDT: 使用解耦扩散变换器统一多模态理解与生成
机构 * Nanjing University（南京大学） ； ByteDance Seed（字节跳动Seed） ； University of Hong Kong（香港大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出UniDDT模型，通过噪声ViT编码器统一视觉语义表示，并采用解耦扩散解码器分离扩散与文本解码，平衡多模态理解与生成任务，在多个基准上取得优异性能。
Comments This work was completed in \textbf{November 2025}
ST-DiffEye: 基于扩散的连续注视生成通过联合扫描路径-轨迹建模
机构 * 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ST-DiffEye，一种联合轨迹-扫描路径扩散框架，通过将两者拼接为额外输入通道进行联合建模，并引入基于连续排序概率得分（CRPS）的评估方法，在视觉搜索和自由观看任务上达到最先进性能。
Lesion-DDPM：用于MS MRI合成的病灶增强3D扩散模型
机构 * University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； National Taiwan University Hospital（国立台湾大学医院） ； National University of Mongolia（蒙古国立大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出Lesion-DDPM，一种3D条件扩散框架，通过多级解剖掩膜注入和病灶加权重建损失，实现病灶感知的FLAIR合成，在MS病灶分割下游任务中显著提升Dice分数。
扩散反演中的时间步重调度
机构 * Nanyang Technological University（南洋理工大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 针对扩散反演中时间步选择影响反演精度的问题，提出一种基于全局重缩放和局部动态规划的非均匀时间步调度器，有效降低反演误差，提升图像重建与编辑性能。
Comments Accepted by ICML 2026. 23 pages, including appendices
PPDM: 像素拼图扩散模型用于速度和内存高效的体积医学图像翻译
机构 * Department of Radiology, Northwestern University（西北大学放射学系） ； Department of Biomedical Engineering, Yale University（耶鲁大学生物医学工程系） ； Department of Radiology and Biomedical Imaging, Yale School of Medicine（耶鲁医学院放射学与生物医学影像系）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出像素拼图扩散模型（PPDM），通过可逆像素拼图操作和直接桥接扩散公式，在降低内存和加速推理的同时保持全局一致性，用于3D医学图像翻译。
Comments 12 pages, 5 figures, 5 tables
HemExp: 临床引导的潜在扩散模型用于血肿扩展示建模
机构 * CLAIM – Charité Lab for AI in Medicine, Charité – Universitätsmedizin Berlin, corporate member of Freie Universität Berlin and Humboldt-Universität zu Berlin（柏林夏里特医学院人工智能医学实验室（CLAIM），柏林夏里特医学院，柏林自由大学和柏林洪堡大学成员） ； Department of Neurosurgery, Mie Chuo Medical Center（三重中央医疗中心神经外科）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出临床引导的潜在扩散模型HemExp，通过生成患者特异性随访CT图像及血肿分割，实现血肿扩展示的空间概率预测，支持临床变量扰动下的不确定性建模。
扩散模型的时间差分学习
机构 * Department of Engineering Science, University of Oxford, Oxford, United Kingdom（牛津大学工程科学系） ； School of Computer Science, Carleton University, Ottawa, Canada（卡尔顿大学计算机科学学院）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出时间差分（TD）目标函数，通过将扩散过程视为马尔可夫奖励过程并利用强化学习中的策略评估，强制去噪轨迹上的跨时间一致性，显著提升少步采样下的生成质量。
Comments 15 pages, 4 figures. Accepted at ICML 2026
VANDERER: 基于未来感知与视觉好奇心引导扩散策略的无地图探索
机构 * Control/Robotics Research Laboratory (CRRL), Department of Electrical and Computer Engineering, NYU Tandon School of Engineering（纽约大学坦登工程学院电气与计算机工程系控制/机器人研究实验室（CRRL）） ； New York University Abu Dhabi (NYUAD) Center for Artificial Intelligence and Robotics (CAIR)（纽约大学阿布扎比分校人工智能与机器人中心（CAIR））
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出VANDERER框架，利用视觉好奇心模块引导预训练扩散策略，仅依赖单目图像实现高效无地图探索，在多种模拟环境中平均探索面积比NoMaD多13.4%。
Pantheon360: 通过3D感知的360°视频扩散驯服数字孪生生成
机构 * University of Southern California（南加州大学） ； National Yang Ming Chiao Tung University（国家阳明交通大学） ； Cornell University（康奈尔大学） ； Bosch Research（博世研究）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出Pantheon360框架，利用显式3D缓存从稀疏360°输入生成高保真视频，实现全局几何一致性和可控相机路径，解决传统透视视频生成器视野受限导致的跨视图不一致和时间漂移问题。
Comments Accepted to CVPR 2026. Project page: https://koi953215.github.io/pantheon360_page/
DiverseDiT：扩散Transformer中的多样化表示学习
机构 * Fudan University（复旦大学） ； Shanghai Academy of AI for Science（上海人工智能科学研究院） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 通过分析扩散Transformer的表示动力学，发现块间表示多样性是关键，提出DiverseDiT框架，利用长残差连接和多样性损失促进多样特征学习，在ImageNet上提升性能并加速收敛。
Comments Accepted in CVPR 2026, GitHub Code: https://github.com/kobeshegu/DiverseDiT, Project Page: https://forevermamba.work/projects/DiverseDiT/
通过低秩适应与动态损失加权实现潜在扩散模型的高效水印方法
机构 * Xiamen Key Laboratory of Data Security and Blockchain Technology, Huaqiao University, Xiamen 361021, China（厦门数据安全与区块链技术重点实验室，华侨大学，厦门361021，中国） ； Department of Information Engineering and Mathematics of the University of Siena, Italy（意大利锡耶纳大学信息工程与数学系） ； Guangdong Provincial Key Laboratory of Intelligent Information Processing, Shenzhen University, Shenzhen 518060, China（广东省智能信息处理重点实验室，深圳大学，深圳518060，中国） ； Shenzhen Key Laboratory of Media Security, Shenzhen University, Shenzhen 518060, China（深圳媒体安全重点实验室，深圳大学，深圳518060，中国） ； SZU-AFS Joint Innovation Center for AI Technology, Shenzhen University, Shenzhen 518060, China（深圳大学人工智能技术联合创新中心）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 本文提出基于低秩适应的潜在扩散模型高效水印方法，通过动态损失加权平衡生成质量与水印保真度，实现快速准确的水印嵌入且不影响生成图像质量。
Journal ref Expert Systems with Applications. 331 (2026) 133172
CLAD: 面向视觉-语言程序规划的约束潜在动作扩散模型
机构 * Machine Perception and Interaction group, Örebro University（机器感知与交互组，奥雷布罗大学） ； Collaborative Artificial Intelligence group, University of Stuttgart（协作人工智能组，斯图加特大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出CLAD模型，利用变分自编码器学习动作和观测的潜在表示作为约束，引导扩散模型生成动作，在三个数据集上大幅超越现有方法。
Comments Accepted at RO-MAN 2026
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