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。
Tstars-Tryon 1.0：鲁棒且逼真的虚拟试衣系统用于多样化服装物品
机构 * Alibaba Group（阿里巴巴集团） ； Taobao App（淘宝App）
专题命中 图像生成评测 ：image generation(abstract)；分类 cs.CV
AI总结 本文提出Tstars-Tryon 1.0，一种高效且逼真的虚拟试衣系统，能够处理复杂场景，支持多件衣物试穿，并在大规模部署中实现高效率和高质量输出。
Comments 24 pages, model evaluation report
探索AI服从性：为何生成纯色图像比CyberPunk更困难
机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； City University of Hong Kong（城市大学） ； Chinese University of Hong Kong（香港中文大学） ； McGill University（麦吉尔大学）
专题命中 图像生成评测 ：image generation(abstract)；分类 cs.CV
AI总结 研究探讨生成纯色图像的困难源于模型在复杂场景生成中的系统性失败，提出AI服从性框架和Violin基准测试，揭示闭源模型在确定性精度上的优势。
MACE-Dance: 基于动作-外观级联专家的音乐驱动舞蹈视频生成
机构 * Renmin University of China（中国人民大学） ； AMAP, Alibaba Group（阿里集团AMAP） ； Wuhan University（武汉大学） ； Tsinghua University（清华大学）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出MACE-Dance框架，结合级联混合专家模型，实现音乐驱动的高质量舞蹈视频生成，通过动作和外观专家分别生成3D动作和视频，提升视觉一致性和动作真实感。
Comments Accepted by SIGGRAPH 2026
RobustSora：用于鲁棒AI生成视频检测的去水印基准
机构 * College of Computer Science, Beijing University of Technology（北京理工大学计算机学院）
专题命中 图像生成评测 ：inpainting(abstract)；分类 cs.CV
AI总结 本文提出RobustSora基准，通过6500个手动验证的视频评估AI生成视频检测的鲁棒性，发现水印操控影响检测准确率，强调水印意识在训练中的重要性。
迈向高保真人脸交换：全面综述与新基准
机构 * School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Nanyang Technological University（南洋理工大学） ； Yonsei University（延世大学）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 本文综述了人脸交换方法，提出新基准CASIA FaceSwapping，通过系统分析设计原理和局限性，提供统一视角和评估框架以推动更稳健的人脸交换技术。
图像质量评估的算法凝视：LAION-Aesthetics预测器的审计与踪迹民族志
机构 * Carnegie Mellon University（卡内基梅隆大学）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 本文研究了广泛用于训练视觉生成图像模型的LAION-Aesthetics预测器，揭示其在筛选图像数据时对女性描述的偏向性，以及其对西方艺术史中帝国和男性凝视的强化，呼吁转向更多元的审美评估。
Comments To Appear at FAccT 2026
深度伪造：我们需要重新思考“真实”图像的概念
机构 * Institute for Machine Learning and Analytics, Offenburg University（机器学习与分析研究所，奥芬堡大学） ； University of Mannheim（曼海姆大学） ； Max Planck Institute for Informatics, Saarland Informatics Campus（马克斯·普朗克信息研究所，萨尔兰州信息校区）
专题命中 图像生成评测 ：image generation(abstract)；分类 cs.CV
AI总结 本文指出当前“伪造”检测方法依赖过时的低分辨率“真实”图像数据集，呼吁重新定义“真实”图像并建立新基准数据集。
TripVVT：一个大规模三元组数据集和一个粗略遮罩基线用于真实场景视频虚拟试穿
机构 * Nanjing University, China（南京大学） ； JIUTIAN Research, CMCC, China（JIUTIAN研究院，CMCC，中国） ； Jilin University, China（吉林大学） ； ByteDance Inc., China（字节跳动公司）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出TripVVT-10K数据集和TripVVT框架，通过改进的遮罩先验提升视频虚拟试穿的鲁棒性和质量，同时建立评估基准以验证其在复杂场景中的泛化能力。
MINOS：一种用于图像与文本双向生成的多模态评估模型
机构 * Wangxuan Institute of Computer Technology, Peking University（北京大学王萱计算机技术研究所） ； School of Physics, Peking University（北京大学物理学院）
专题命中 图像生成评测 ：text-to-image(abstract)；分类 cs.CV
AI总结 本文提出MINOS模型，通过严格质量控制策略构建Minos-57K多模态评估数据集，结合SFT和偏好对齐训练策略，在16个跨领域数据集中取得最佳性能。
Comments Accepted to the Findings of ACL 2026
从噪声偏好学习：一种半监督学习方法用于直接偏好优化
机构 * University of Central Florida（中央佛罗里达大学）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出Semi-DPO方法，通过半监督学习处理多维偏好噪声，提升复杂人类偏好对齐性能，无需额外人工标注或显式奖励模型。
VERTIGO：用于电影摄像机轨迹生成的视觉偏好优化
机构 * Shanghai University Shanghai Engineering Research Center of Motion Picture Special Effects LIX, \'Ecole Polytechnique, CNRS, IPP magenta http://vertigo.magic-lab.tech/
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出VERTIGO，通过视觉偏好优化提升摄像机轨迹生成的质量，通过实时渲染和视觉语言模型优化，提高画面构图和视觉效果。
Comments 28 pages, 10 figures
MMLANDMARKS: 一种用于地理空间理解的跨视图实例级基准
机构 * Technical University of Denmark（丹麦技术大学） ； Pioneer Center for AI（先锋人工智能中心）
专题命中 图像生成评测 ：text-to-image(abstract)；分类 cs.CV
AI总结 本文提出MMLandmarks基准，包含四类数据：高分辨率航拍图、地面视图、文本信息和地理坐标，用于跨视图地物检索、定位及文本到图像等任务，揭示多模态数据对地理空间理解的重要性。
Comments Accepted at CVPR 2026
MICo-150K：一个多图像合成的综合数据集
机构 * Hong Kong Polytechnic University（香港理工大学） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Sun Yat-Sen University（中山大学） ； OPPO Research Institute（OPPO研究院）
专题命中 图像生成评测 ：image generation(abstract)；分类 cs.CV
AI总结 本文提出MICo-150K数据集，通过系统研究多图像合成任务，构建高质量图像和多样提示，结合人类反馈生成平衡的合成图像，同时建立评估基准和新指标，验证了数据集对模型提升的有效性。
Comments Project Page: https://MICo-150K.github.io/
迈向数据覆盖的持续扩展：自动文本引导的边缘案例合成
机构 * Superb AI Seoul, South Korea（首尔超凡AI研究所，韩国）
专题命中 图像生成评测 ：text-to-image(abstract)；分类 cs.CV
AI总结 本文提出自动文本引导的边缘案例合成方法，通过预训练语言模型生成多样化提示，提升模型鲁棒性，优于传统增强方法。
Comments Accepted in CVPR 2026 Workshop on How Do Vision Models Work
月球环境下的图像模拟开源解决方案评估
机构 * Space Applications centre（空间应用中心） ； Indian Space Research Organization（印度空间研究组织）
专题命中 图像生成评测 ：image generation(abstract)；分类 cs.CV
AI总结 本文评估了用于生成月球环境合成图像的开源解决方案，重点分析不同相机模型和光照条件对图像质量的影响，以提高自主导航和决策系统在月球探索中的可靠性。
TactileEval: 向自动细粒度评估和编辑触觉图形迈出一步
机构 * School of Computer Science, Carleton University（卡莱顿大学计算机科学学院）
专题命中 图像生成评测 ：image editing(abstract)；分类 cs.CV
AI总结 本文提出TactileEval，通过三阶段流程实现触觉图形的自动细粒度评估与编辑，基于专家评论建立质量分类体系，并利用ViT模型实现高精度任务识别与针对性修正。
Comments Code, data, and models are available at https://TactileEval.github.io/
IncreFA: 破解生成模型归因的静态壁垒
机构 * School of Artificial Intelligence, Beijing University of Posts and Telecommunications（北京邮电大学人工智能学院） ； Tsinghua University（清华大学）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 IncreFA将归因重新定义为结构化增量学习问题，通过层级约束和潜在记忆库机制，在28个生成模型上实现最先进的归因准确率和未见检测率。
Comments Accepted to CVPR 2026, with appendix
ProfVLM：一种轻量级视频-语言模型用于多视角技能评估
机构 * Free University of Bozen-Bolzano（博洛尼亚-博兹纳自由大学） ； University of Trento（特伦托大学）
专题命中 图像生成评测 ：generative vision(abstract)；分类 cs.CV
AI总结 本文提出ProfVLM，一种轻量级视频-语言模型，通过生成式视觉-语言建模实现多视角技能评估，兼具生成自然语言反馈与定量评分，参数更少且训练更快。
Journal ref Computer Vision and Image Understanding, Volume 268, 2026
EditVerse：通过上下文学习统一图像和视频编辑与生成
机构 * Adobe Research（Adobe研究院） ； CUHK（中国香港大学） ； Johns Hopkins University（约翰霍普金斯大学） ； Shenzhen Loop Area Institute（深圳河套学院）
专题命中 图像生成评测 ：image generation(abstract)；分类 cs.CV
AI总结 本文提出EditVerse框架，通过统一token序列实现图像和视频生成编辑，利用自注意力机制实现跨模态知识迁移，实验表明其在视频编辑任务中达到SOTA水平。
Art3D: 无需训练的从平面着色插图生成3D
机构 * Brown University（布朗大学）
专题命中 图像生成评测 ：image generation(abstract)；分类 cs.CV
AI总结 Art3D通过结合预训练2D图像生成模型和基于VLM的现实感评估，将平面着色插图提升为3D，解决了传统方法在处理无3D illusion的参考图像时的局限性，展示了其在多种绘画风格中的适应性。
Comments Technical Report. Project Page: https://joy-jy11.github.io/
GazeVaLM：一个多观察者眼动基准测试，用于评估AI生成X光片的临床真实性
机构 * Northwestern University（西北大学） ； Loyola University Chicago（洛约拉大学芝加哥分校） ； DuPage Medical Group（杜佩奇医疗集团） ； Emory University（埃默里大学）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 GazeVaLM通过眼动数据和临床标签，评估AI生成X光片的临床真实性，对比人类专家与LLM的诊断准确性。
Comments This work appears in ACM ETRA 2026
图像偏好中的VLMs思考奖励
专题命中 图像生成评测 ：text-to-image(abstract)；分类 cs.CV
AI总结 本文提出一种增强GRPO框架，通过引入独立的监听器模型来校准推理过程，提升图像偏好任务中的准确性和泛化能力。
Comments part of a different work
时间如何流逝？基于心理物理学的评估用于视觉-语言模型
机构 * Kyoto University（京都大学） ； Center for Information and Neural Networks（信息与神经网络中心） ； National Institute of Information and Communications Technology（国立信息通信技术研究所） ； The University of Osaka（大阪大学）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 本文通过心理物理学验证的基准测试评估了视觉-语言模型对时间方向的理解能力，发现大多数模型表现接近随机，且在物理不可逆过程和因果手动动作上远低于人类水平。
Comments 12 pages
用于不均衡分布的表格GANs
机构 * Moscow Institute of Physics and Technology（莫斯科物理技术学院）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 本文综述了三种主要范式下的表格数据生成方法，提出统一框架支持GAN、扩散模型和大语言模型，并通过实验验证框架在分布偏移下的有效性。
Comments 11 pages
MSG Score: 多场景生成的自动化视频验证
机构 * Seoul National University（首尔大学） ； Samsung Electronics（三星电子）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出MSG Score用于评估长视频生成的叙事和视觉一致性，结合Implicit Insight Distillation解决评估与推理速度的平衡，实现可靠且可扩展的视频生成。
Comments 8 pages, 5 figures, 1 table, Accepted AAAI 2026 CVM workshop
嵌入式与生成方法在LLM驱动文档分类中的评估：机遇与挑战
专题命中 图像生成评测 ：generative vision(abstract)；分类 cs.CV
AI总结 本文比较了基于嵌入和生成模型在地学技术文档分类中的表现，发现增强的生成视觉-语言模型在零样本准确率上表现更优，但监督微调对训练数据不平衡敏感。
Comments Accepted at the IMAGE'25 Workshop (PCW-11), Society of Exploration Geophysicists (SEG). Published version available at https://doi.org/10.1190/image2025-w11-03.1
从推理到像素：统一多模态模型中对齐差距的基准测试
机构 * University of California San Diego（加利福尼亚大学圣迭戈分校） ； University of Southern California（南加利福尼亚大学） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Carnegie Mellon University（卡内基梅隆大学）
专题命中 图像生成评测 ：image generation(abstract)；分类 cs.CV
AI总结 本文通过UReason基准测试，探讨统一多模态模型中模态对齐问题，发现去上下文生成在图像生成任务中表现更优，揭示了文本推理与生成图像之间存在对齐差距。
Comments Project page: https://ureason.github.io
DialectGen：多模态生成中方言鲁棒性评估与改进
机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 本文通过构建涵盖六种英语方言的大型基准，评估多模态生成模型在方言输入下的表现，提出一种通用编码器策略提升方言鲁棒性，同时保持标准美式英语性能。
VLBiasBench: 一个用于评估大视觉-语言模型偏见的综合性基准
机构 * Key Laboratory of AI Safety of CAS, Institute of Computing Technology (ICT)（中国科学院人工智能安全重点实验室，计算技术研究所） ； University of Chinese Academy of Sciences (UCAS)（中国科学院大学） ； Peking University（北京大学）
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出VLBiasBench，通过覆盖九种社会偏见类别和两个交叉偏见类别的大规模数据集，评估大视觉-语言模型的偏见问题，基于15种开源和两种闭源模型进行广泛评估，揭示模型中的偏见特征。
Comments Accepted By TPAMI
活动取证：一种全面的基准，用于定位视频中的篡改活动
机构 * College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院） ； School of Computing and Artificial Intelligence, Jiangxi University of Finance and Economics（江西财经大学计算机与人工智能学院） ； Jiangxi Provincial Key Laboratory of Multimedia Intelligent Processing（江西省多媒体智能处理重点实验室） ； Faculty of Engineering, Shenzhen MSU-BIT University（深圳北理莫斯科大学工程系） ； VinUniversity
专题命中 图像生成评测 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出ActivityForensics基准，用于定位视频中被篡改的活动。该基准包含6000多个无缝融合的篡改视频片段，并引入了Temporal Artifact Diffuser方法，评估了多种最先进的伪造定位器。
Comments [CVPR 2026] The first benchmark for action-level deepfake localization
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