图像生成

Training-Free Coverless Multi-Image Steganography with Access Control

免训练的无载体多图像隐写术与访问控制

Minyeol Bae, Si-Hyeon Lee

机构 * Department of Computer Science, Seoul National University（首尔国立大学计算机科学系） 纠错

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

AI总结 提出MIDAS框架，通过潜在级融合实现免训练的多图像隐写与用户特定访问控制，引入随机基机制抑制残差结构信息，并理论分析信息泄露。

Comments Accepted (Poster) at ICML 2026

Super-resolution image projection over an extended depth of field using a diffractive decoder

使用衍射解码器实现扩展景深上的超分辨率图像投影

Hanlong Chen, Cagatay Isil, Tianyi Gan, Mona Jarrahi, Aydogan Ozcan

机构 * Electrical and Computer Engineering Department, University of California, Los Angeles, California 90095, USA（加州大学洛杉矶分校电子与计算机工程系） ； Bioengineering Department, University of California, Los Angeles, California 90095, USA（加州大学洛杉矶分校生物工程系） ； California NanoSystems Institute (CNSI), University of California, Los Angeles, California 90095, USA（加州大学洛杉矶分校加州纳米系统研究所） 纠错

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

AI总结 提出一种混合图像投影系统，结合CNN编码器和全光学衍射解码器，实现扩展景深和像素超分辨率，提升空间带宽积。

Comments 18 Pages, 6 Figures

Journal ref Light: Science & Applications (2026)

SLAP: The Semantic Least Action Principle for Variational Video-Language Modeling

SLAP: 用于变分视频-语言建模的语义最小作用原理

Xiang Fang, Wanlong Fang

机构 * School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件学院） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） 纠错

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

AI总结 提出语义最小作用原理(SLAP)，将视频插值建模为黎曼流形上的边界值问题，通过离散欧拉-拉格朗日方程保持对象持久性，解决大视频语言模型中的时间间隙问题。

Comments Accepted by ICML 2026

X-GS: An Extensible Framework for Perceiving and Thinking via 3D Gaussian Splatting

X-GS：基于3D高斯溅射的感知与思考可扩展框架

Yueen Ma, Zenglin Xu, Irwin King

机构 * The Chinese University of Hong Kong（香港中文大学） ； Fudan University（复旦大学） ； Shanghai Academy of AI for Science（上海人工智能科学研究院） 纠错

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

AI总结 提出X-GS框架，包含感知器和思考器，统一多种3DGS技术实现实时在线SLAM与语义蒸馏，并支持多模态模型完成下游任务。

Autoregressive Visual Generation Needs a Prologue

自回归视觉生成需要一个序幕

Bowen Zheng, Weijian Luo, Guang Yang, Colin Zhang, Tianyang Hu

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； hi-Lab, Xiaohongshu Inc（小红书实验室） 纠错

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

AI总结 提出Prologue方法，通过生成前置的序幕令牌来弥合自回归图像生成中的重建-生成差距，在不影响重建质量的前提下显著提升生成性能。

Comments Code: https://github.com/Zyriix/prologue Demo: https://huggingface.co/spaces/Zyriix/prologue-demo

CamC2V: Context-aware Controllable Video Generation

CamC2V: 上下文感知的可控视频生成

Luis Denninger, Sina Mokhtarzadeh Azar, Juergen Gall

机构 * University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所） 纠错

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

AI总结 提出CamC2V模型，通过集成多图像条件与3D约束及相机控制，实现上下文感知的连贯视频生成，在RealEstate10K数据集上FVD提升24.09%。

Comments Published at 3DV 2026

EPiC: Efficient Video Camera Control Learning with Precise Anchor-Video Guidance

EPiC: 基于精确锚点视频引导的高效视频摄像机控制学习

Zun Wang, Jaemin Cho, Jialu Li, Han Lin, Jaehong Yoon, Yue Zhang, Mohit Bansal

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

AI总结 提出EPiC框架，通过基于首帧可见性掩码构建精确对齐的锚点视频，并引入轻量模块Anchor-ControlNet，以极低参数实现高效、精确的3D摄像机控制，在RealEstate10K和MiraData上达到最先进性能。

Comments Accepted to ICML 2026. Project website: https://zunwang1.github.io/Epic

Gamma-World: Generative Multi-Agent World Modeling Beyond Two Players

Gamma-World: 超越双玩家的生成式多智能体世界建模

Fangfu Liu, Kai He, Tianchang Shen, Tianshi Cao, Sanja Fidler, Yueqi Duan, Jun Gao, Igor Gilitschenski, Zian Wang, Xuanchi Ren

机构 * NVIDIA ； Tsinghua University（清华大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） 纠错

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

AI总结 提出一种生成式多智能体世界模型，通过Simplex Rotary Agent Encoding实现智能体置换等价性，并采用Sparse Hub Attention降低跨智能体注意力成本，支持多玩家交互视频生成。

Comments Project Page: https://research.nvidia.com/labs/sil/projects/gamma-world

When Eyes Betray AI: Social Gaze Consistency as a Semantic Cue for AI-Generated Image Detection

当眼睛背叛AI：社交注视一致性作为AI生成图像检测的语义线索

Jihyeon Kim, Sohee Kim, Soosan Lee, Souhwan Jung, James Matthew Rehg, Hyesong Choi

机构 * School of Computer Engineering（计算机工程学院） ； Hoseo University（Hoseo大学） ； School of Electronic Engineering（电子工程学院） ； Soongsil University（Soongsil大学） ； School of Computer Science（计算机科学学院） ； University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

AI总结 提出社交注视一致性作为高层语义线索，通过构建诊断数据集、块组合描述监督和跨架构验证，证明该线索能有效检测AI生成图像，并解释其跨生成器迁移的机制。

Comments 23 pages, 2 figures, 17 tables

Occlusion-Aware Physics-Semantic Keyframe Selection for Robust Video Editing

遮挡感知的物理-语义关键帧选择用于鲁棒视频编辑

Lin Liu, Zhihan Xiao, Haohang Xu, Rong Cong, Zhibo Zhang, Xiaopeng Zhang, Qi Tian

机构 * Huawei（华为） ； Tsinghua University（清华大学） ； East China Normal University（华东师范大学） 纠错

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

AI总结 提出一种遮挡感知的物理-语义关键帧选择框架，通过从结构完整性、跟踪稳定性和属性可见性三个角度评估候选帧，自动选择最优锚定帧，并利用双向跟踪生成时空掩码，实现鲁棒且时序一致的视频编辑。

IAR2: Improving Autoregressive Visual Generation with Semantic-Detail Associated Token Prediction

IAR2：通过语义-细节关联令牌预测改进自回归视觉生成

Ran Yi, Teng Hu, Zihan Su, Jiangning Zhang, Lizhuang Ma

机构 * Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） 纠错

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

AI总结 提出IAR2框架，通过语义-细节关联双码本和分层预测机制，实现从粗到细的图像生成，在ImageNet上取得FID 1.50的领先性能。

Object Pose and Shape Estimation for Grasping: Does it Work?

用于抓取的目标姿态与形状估计：有效吗？

Pavan Karke, Kushal Shah, Gaurav Singh, Md Faizal Karim, K Madhava Krishna, Rajat Talak

机构 * Robotics Research Center, IIIT Hyderabad（IIIT海得拉巴机器人研究中心） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 本文通过对比端到端抓取合成方法与模块化方法（先估计目标姿态和形状再采样抓取），评估现有姿态和形状估计方法在抓取任务中的有效性。

Comments 9 pages, 8 figures

E$^3$C: Video Generation with 3D Environmental Memory and Ego-Exo Human Pose Control

E$^3$C: 具有3D环境记忆和自我-外部人体姿态控制的视频生成

Qiao Gu, Lingni Ma, Adam W Harley, Richard Newcombe, Florian Shkurti, Julian Straub

机构 * Meta Reality Labs（Meta现实实验室） ； University of Toronto（多伦多大学） 纠错

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

AI总结 提出E$^3$C可控视频扩散框架，通过3D点云记忆和双通道人体控制（自我与外骨骼），实现物理一致的自我中心视频生成。

Comments Preprint. Project Page: https://e3c-videogen.github.io/

DreamSim: Learning New Dimensions of Human Visual Similarity using Synthetic Data

DreamSim: 使用合成数据学习人类视觉相似性的新维度

Stephanie Fu, Netanel Tamir, Shobhita Sundaram, Lucy Chai, Richard Zhang, Tali Dekel, Phillip Isola

机构 * MIT（麻省理工学院） ； Weizmann Institute of Science（魏茨曼科学研究所） ； Adobe Research（Adobe研究） 纠错

专题命中 可控生成 ：text-to-image(abstract)；分类 cs.CV

AI总结 本文提出DreamSim指标，通过合成数据训练，在图像布局、对象姿态和语义内容等中高层面上对齐人类感知，并在检索和重建任务中优于现有指标。

Comments Website: https://dreamsim-nights.github.io/ Code: https://github.com/ssundaram21/dreamsim

Journal ref Advances in Neural Information Processing Systems 36 (NeurIPS 2023)

AnyScene: Towards Highly Controllable Driving Scene Generation at Anywhere and Beyond

AnyScene: 迈向高度可控的任意位置驾驶场景生成及超越

Haiming Zhang, Junfei Zhou, Feng Jiang, Jingzhong Li, Zhenglong Guo, Penglin Dai, Jifeng Dai, Yan Xie, Benjin Zhu

机构 * Li Auto（利汽车） ； Southwest Jiaotong University（西南交通大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 提出AnyScene框架，通过时空占用扩散Transformer和几何引导视图扩展模块，实现从BEV布局生成语义占用序列和参考无关的多视角驾驶视频，支持精确可控和长时生成。

Comments Work in progress. Project page: https://mind-omni.github.io/

DeltaCam: Differential Intrinsic Camera Modeling for Video Generation

DeltaCam: 用于视频生成的差分内参相机建模

Debabrata Mandal, Zhihan Peng, Yujie Wang, Praneeth Chakravarthula

机构 * UNC, Chapel Hill USA（北卡罗来纳大学教堂山分校） 纠错

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

AI总结 提出DeltaCam视频扩散框架，通过差分参数化神经相机适配器学习相对变化，实现焦距、光圈、ISO等内参的平滑可控视频生成，并扩展到真实场景。

Lighting in Motion: Spatiotemporal HDR Lighting Estimation

运动中的光照：时空高动态范围光照估计

Christophe Bolduc, Julien Philip, Li Ma, Mingming He, Paul Debevec, Jean-François Lalonde

机构 * Université Laval（拉瓦尔大学） ； Eyeline Labs（Eyeline实验室） 纠错

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

AI总结 提出基于扩散的时空光照估计方法LiMo，通过生成不同曝光下的镜面与漫反射球体，结合深度与几何条件，实现高精度高频细节预测与照度估计。

Boosting Monocular Metric Depth Estimation via Bokeh Rendering

通过散景渲染提升单目度量深度估计

Hangwei Zhang, Armando Fortes, Tianyi Wei, Xingang Pan

机构 * S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； Beihang University（北航大学） 纠错

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

AI总结 提出BokehDepth两阶段框架，利用物理生成模型产生校准散景堆栈作为无监督几何信号，通过散景感知聚合模块提升单目深度估计的度量精度。

Comments Project Page: https://fogradio.github.io/BokehDepth_Project/

Journal ref ICML 2026

Learning from Semantic Dictionaries: Discriminative Codebook Contrastive Learning for Unified Visual Representation and Generation

从语义字典中学习：面向统一视觉表示与生成的判别式码本对比学习

Imanol G. Estepa, Jesús M Rodríguez-de-Vera, Bhalaji Nagarajan, Petia Radeva

机构 * Universitat de Barcelona（巴塞罗那大学） ； Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心） 纠错

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

AI总结 提出LEASE框架，通过配对生成-判别码本设计，在离散标记空间中联合优化掩码重建损失和码本对比损失，实现统一视觉表示与生成，在ImageNet-1K上达到最先进性能。

Comments Accepted at CVPR'26

WideDepth: Millimeter-Accurate Benchmark for Fisheye Depth Estimation

WideDepth: 用于鱼眼深度估计的毫米级精度基准

Ilia Indyk, Ignat Penshin, Ivan Sosin, Maxim Monastyrny, Aleksei Valenkov, Ilya Makarov

机构 * Robotics Center（机器人中心） ； AXXX ； Trusted AI Research Center, RAS（可信人工智能研究中心，俄罗斯科学院） 纠错

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

AI总结 提出首个室内鱼眼深度估计数据集WideDepth，包含101个场景的5K高分辨率立体对和毫米级真值，并引入基于LiDAR的立体鱼眼图像生成方法，评估多种模型，微调后性能提升高达62%。

Comments Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2026

Disentangling Generation and Regression in Stochastic Interpolants for Controllable Image Restoration

解耦生成与回归在可控图像恢复中的随机插值

Yi Liu, Jia Ma, Wengen Li, Jihong Guan, Shuigeng Zhou, Yichao Zhang

机构 * Tongji University（同济大学） ； Fudan University（复旦大学） 纠错

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

AI总结 本文提出DiSI框架，通过解耦随机插值过程中的生成与回归组件，实现从纯回归到全生成的连续可控过渡，提升图像恢复任务的效率和精度。

Comments 44 pages, 16 figures, 16 tables

Sketch2MinSurf: Vision-Language Guided Generation of Editable Minimal Surfaces from Hand-Drawn Sketches

Sketch2MinSurf: 通过视觉-语言引导从手绘草图生成可编辑的最小曲面

Wenda Wang, Anqi Liu, Junqi Yang, Lei He, Luying Wang, Jiachen Lu, Weixin Huang

机构 * School of Architecture, Tsinghua University（清华大学建筑学院） ； Department of Architecture, National University of Singapore（新加坡国立大学建筑系） 纠错

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

AI总结 本研究提出Sketch2MinSurf方法，结合视觉-语言引导和几何优化，从手绘草图生成平滑且可编辑的3D曲面，通过空间-拓扑编码和Sketch2MinSurf结构损失函数实现拓扑一致性与几何重建的联合约束。

Comments 22 pages, 16 figures, includes appendix

Before the Body Moves: Learning Anticipatory Joint Intent for Language-Conditioned Humanoid Control

在身体移动之前：为语言条件的人形控制学习预见性关节意图

Haozhe Jia, Honglei Jin, Yuan Zhang, Youcheng Fan, Shaofeng Liang, Lei Wang, Shuxu Jin, Kuimou Yu, Zinuo Zhang, Jianfei Song, Wenshuo Chen, Yutao Yue

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； LimX Dynamics Technology Co., Ltd.（LimX动态技术有限公司） ； Shandong University（山东大学） ； Data61/CSIRO ； Griffith University（格里菲斯大学） ； Institute of Deep Perception Technology, Jiangsu Industrial Technology Research Institute (JITRI)（深度感知技术研究院，江苏省工业技术研究院（JITRI）） 纠错

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

AI总结 该研究提出DAJI框架，通过学习语言生成与闭环控制之间的预见性关节意图接口，解决语言条件人形机器人中预见未来物理转换的需求，实现了在HumanML3D风格生成和BABEL任务中的高性能表现。

Letting Trajectories Spread: Quality-Preserving Control for Diverse Flow Matching

让轨迹扩散：用于多样化流匹配的质量保持控制

Jingxuan Wu, Zhenglin Wan, Xingrui Yu, Yuzhe Yang, Bo An, Ivor Tsang, Yang You

机构 * The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； Nanyang Technological University（南洋理工大学） ； CFAR, Agency for Science, Technology and Research, Singapore（新加坡科技研究局CFAR） ； University of California, Santa Barbara（加州大学圣巴巴拉分校） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 可控生成 ：text-to-image(abstract)；分类 cs.CV

AI总结 本文提出了一种无需训练的推理时控制机制，使流本身具备多样性意识，通过几何上与模式质量寻求方向解耦的引导来鼓励轨迹横向扩散，同时通过时间调度的随机扰动重新引入不确定性，从而在不降低图像细节和提示忠实度的情况下提升多样性。

CogOmniControl: Reasoning-Driven Controllable Video Generation via Creative Intent Cognition

CogOmniControl: 通过创意意图认知实现推理驱动的可控视频生成

Hongji Yang, Songlian Li, Yucheng Zhou, Xiaotong Zhao, Alan Zhao, Chengzhong Xu, Jianbing Shen

机构 * SKL-IOTSC, CIS, University of Macau（澳门大学SKL-IOTSC、CIS实验室） ； Online-Video BU, Tencent（腾讯在线视频事业部） 纠错

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

AI总结 本文提出CogOmniControl框架，通过将可控视频生成分解为创意意图认知和生成两个阶段，利用专门训练的CogVLM生成更专业清晰的输出，并通过强化学习对齐不同条件的控制，最终在两个基准测试中超越现有开源模型。

One-to-All Animation: Alignment-Free Character Animation and Image Pose Transfer

一对一动画：无对齐角色动画和图像姿态转换

Shijun Shi, Jing Xu, Zhihang Li, Chunli Peng, Xiaoda Yang, Lijing Lu, Kai Hu, Jiangning Zhang

机构 * Jiangnan University（江南大学） ； University of Science and Technology of China（中国科学技术大学） ； Chinese Academy of Sciences（中国科学院） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Zhejiang University（浙江大学） 纠错

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

AI总结 本文提出了一种统一框架，用于高保真角色动画和图像姿态转换，解决了参考姿态错位问题，通过自监督补全任务和混合参考融合注意力机制提升生成质量。

Comments Project Page:https://ssj9596.github.io/one-to-all-animation-project/

SEAL: Semantic Aware Image Watermarking

SEAL：语义感知图像水印

Kasra Arabi, R. Teal Witter, Chinmay Hegde, Niv Cohen

机构 * New York University（纽约大学） 纠错

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

AI总结 本文提出了一种新的水印方法，通过将生成图像的语义信息直接嵌入水印中，实现无损水印验证，无需依赖密钥模式数据库。通过局部敏感哈希从图像语义嵌入中推断密钥模式，并基于原始图像内容条件检测水印，提高对抗伪造攻击的鲁棒性。

FUNCanon: Learning Pose-Aware Action Primitives via Functional Object Canonicalization for Generalizable Robotic Manipulation

FUNCanon: 通过功能对象规范化学习姿态感知的动作原语以实现通用的机器人操作

Hongli Xu, Lei Zhang, Xiaoyue Hu, Boyang Zhong, Kaixin Bai, Zoltán-Csaba Márton, Zhenshan Bing, Zhaopeng Chen, Alois Christian Knoll, Jianwei Zhang

机构 * TAMS (Technical Aspects of Multimodal Systems), Department of Informatics, University of Hamburg（汉堡大学信息学院TAMS（多模态系统技术）） ； Technical University of Munich（慕尼黑技术大学） ； Agile Robots SE（敏捷机器人有限公司） 纠错

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

AI总结 本文提出FUNCanon框架，通过功能对象规范化学习姿态感知的动作原语，以实现通用的机器人操作，该方法将长周期操作任务分解为由主体、动词和对象定义的动作片段，从而提升策略的可组合性和可重用性。

Comments project website: https://sites.google.com/view/funcanon, 11 pages

Training-Free Occluded Text Rendering via Glyph Priors and Attention-Guided Semantic Blending

无需训练的遮挡文本渲染：通过字形先验和注意力引导的语义融合

Jingqi Hou, Hongtian Wang

机构 * College of Computer Science, Beijing University of Technology, Beijing, China（北京理工大学计算机学院） 纠错

专题命中 可控生成 ：text-to-image(abstract)；分类 cs.CV

AI总结 本文提出一种无需训练的遮挡文本渲染框架，通过预训练的FLUX.1-dev模型，解决文本生成中遮挡物位置和文本结构稳定性问题，采用双流推理和字形先验稳定文本结构，提升文本可读性和遮挡对齐效果。

Comments 9 pages, 3 figures, 3 tables

Does Synthetic Layered Design Data Benefit Layered Design Decomposition?

合成分层设计数据是否有助于分层设计分解？

Kam Man Wu, Haolin Yang, Qingyu Chen, Yihu Tang, Jingye Chen, Qifeng Chen

机构 * HKUST（香港理工大学） ； Webank（网商银行） 纠错

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

AI总结 本文研究合成分层数据对图形设计分解的影响，发现纯合成数据能有效替代传统方法，且训练数据规模增加时性能提升，但5万样本后趋于饱和。

Comments 22 pages, 10 figures. Code is available at https://github.com/YangHaolin0526/SynLayers