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。
VT-DUDA: 扩散引导的无监督域适应的视觉令牌条件化
机构 * Istituto Italiano di Tecnologia（意大利技术研究院） ； University of Genoa（热那亚大学） ； University of Verona（维罗纳大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出VT-DUDA框架，通过将源图像映射为视觉令牌并与文本嵌入拼接作为条件，增强扩散模型生成目标风格图像时的实例级引导，提升无监督域适应性能。
Journal ref Transactions on Machine Learning Research, 2026
上下文感知的自回归扩散用于逐词汇手语生成
机构 * Dankook University（檀国大学） ； University of Birmingham（伯明翰大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出GARD模型，通过语义和运动上下文条件化，结合词汇间过渡引导和全局运动协调器，实现逐词汇手语生成，在Phoenix-T和CSL-Daily数据集上优于现有方法。
Comments 18 pages, 5 figures, 4 tables
TMPO：用于多样化和高效扩散对齐的轨迹匹配策略优化
机构 * Huazhong University of Science and Technology（华中科技大学） ； Kuaishou Technology（快手科技） ； Nanyang Technological University（南洋理工大学） ； Wuhan University（武汉大学） ； Tsinghua University（清华大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 本文提出TMPO，通过轨迹级奖励分布匹配提升扩散模型生成多样性，采用Softmax-TB目标和动态随机树采样，有效减少训练时间并提升性能。
基于离散扩散的多模态大语言模型中视觉标记冗余的综合研究
机构 * CCDS, NTU, Singapore（南洋理工大学新加坡分校） ； CCST, ZJUT, China（浙江工业大学中国分校） ； Terminus AI Lab, UCAS, China（中国科学院大学人工智能实验室）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 本研究系统分析了离散扩散多模态大语言模型中视觉标记冗余的演化规律，发现其仅出现在从头训练的模型处理长答案任务时，并验证了视觉标记剪枝会导致信息损失，而层跳过和渐进剪枝分别适用于不同架构的加速。
Comments Accepted by CVPR 2026
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Findings, 2026, pp. 2823-2833
迭代扩散精化神经衰减场用于多源静态CT重建：NAF遇见扩散模型
机构 * School of Information Engineering, Nanchang University（南昌大学信息工程学院） ； School of Mathematics and Computer Sciences, Nanchang University（南昌大学数学与计算机科学学院） ； School of Biomedical Engineering, Sun Yat-sen University（中山大学生物医学工程学院） ； Laboratory of Image Science and Technology, School of Computer Science and Engineering, and the Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications, Ministry of Education, Southeast University（东南大学计算机科学与工程学院图像科学与技术实验室，以及教育部新一代人工智能技术及其交叉应用重点实验室）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 针对超稀疏视角下多源静态CT重建质量差的问题，提出Diff-NAF框架，结合神经衰减场与双分支条件扩散模型，通过迭代投影合成与精化，显著提升重建保真度。
MoFusion: 一种基于去噪扩散的运动合成框架
机构 * Max Planck Institute for Informatics, SIC（马克斯·普朗克信息研究所，SIC） ； Saarland University（萨尔兰大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出MoFusion框架，利用去噪扩散模型实现高质量、多样化的条件人体运动合成，支持音乐和文本等多种条件，并通过调度加权策略引入运动学损失，适用于运动编辑应用。
Comments CVPR23, 11 pages, 6 figures, 2 tables; project page: https://vcai.mpi-inf.mpg.de/projects/MoFusion
像素级残差扩散Transformer：可扩展的3D CT体生成
机构 * School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出像素级残差扩散Transformer（PRDiT），通过两阶段训练（局部MLP盲估计器分离低频结构+全局残差扩散Transformer建模高频残差）实现高保真3D CT体生成，在LIDC-IDRI和RAD-ChestCT数据集上优于现有方法。
Comments Accepted at ICLR 2026. Code available at https://github.com/Fredy-Zhang/PRDiT
FrozenDrive: 零样本文本引导驾驶场景生成与数据增强的无参数冻结扩散模型
机构 * KAIST, Visual Intelligence Lab（韩国科学技术院视觉智能实验室）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 提出FrozenDrive框架，利用冻结的预训练扩散模型，通过知识保留的时空注意力实现多视图一致性和时间连贯性，无需微调即可生成恶劣天气下的驾驶场景，提升自动驾驶模型鲁棒性。
Comments Accepted to ECCV 2026
基于可学习全局合并的可变长度分词用于扩散变换器
机构 * Kim Jaechul Graduate School of AI, KAIST, Daejeon, South Korea（韩国科学技术院金载哲人工智能研究生院，大田，韩国） ； School of Computing, KAIST, Daejeon, South Korea（韩国科学技术院计算学院，大田，韩国）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 针对固定压缩比限制扩散模型质量-计算权衡的问题，提出基于可学习全局合并的可变长度分词器，通过合并令牌实现跨长度表示对齐，在ImageNet 256×256生成中实现更优的gFID-计算权衡。
解决潜在扩散模型中RGB到SWIR图像翻译的细节瓶颈
机构 * imec ； imec-IPI-Ghent University（imec-IPI-根特大学） ； Yale University（耶鲁大学）
专题命中 扩散模型 ：diffusion(title,abstract)；分类 cs.CV
AI总结 针对潜在扩散模型在RGB到SWIR图像翻译中丢失空间细节的问题，提出源条件自编码器和可学习引导编码器两种轻量级改进，在驾驶场景下将检测mAP提升至2倍，小目标提升3.4倍，并达到最优FID。
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。
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