InstanceAnimator: Multi-Instance Sketch Video Colorization
机构 * HKUST(GZ)（香港科技大学（广州）） ； HKUST（香港科技大学） ； NUS（新加坡国立大学）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
视觉与机器人
图像生成
图像生成、文生图、图像编辑、扩散模型和可控生成。
1. 可控生成 4229 篇
Unified Camera Positional Encoding for Controlled Video Generation
统一的相机位置编码用于受控视频生成
机构 * Monash University（莫纳什大学） ； Building 4.0 CRC（4.0建筑CRC） ； VAST（VAST研究院）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出UCPE，通过统一相机信息实现视频生成中的高可控性与视觉真实性，结合轻量级注意力适配器提升模型性能。
Comments Camera Ready of CVPR2026. Project Page: https://chengzhag.github.io/publication/ucpe/ Code: https://github.com/chengzhag/UCPE
FG-Portrait: 3D Flow Guided Editable Portrait Animation
FG-Portrait: 基于3D流的可编辑肖像动画
机构 * National University of Singapore（新加坡国立大学） ； University of Warwick（沃里克大学） ； Imperial College London（伦敦帝国理工学院） ； University of Surrey（萨里大学）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出FG-Portrait，通过3D流引导的方法实现高质量的肖像动画生成，结合3D几何信息和扩散模型，提升驱动运动与源肖像的对应精度，并支持用户对表情和头部姿态的编辑。
Comments CVPR 2026
Task-Oriented Data Synthesis and Control-Rectify Sampling for Remote Sensing Semantic Segmentation
面向任务的数据合成与控制-校正采样用于遥感语义分割
机构 * Sun Yat-Sen University（中山大学） ； Tsinghua University（清华大学） ； Beijing Institute of Technology（北京理工大学）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出TODSynth框架，结合多模态扩散变换器和任务反馈驱动的采样策略，提升遥感语义分割数据合成效果，尤其在少样本和复杂场景中表现优异。
Comments Accepted by CVPR 2026
The Universal Normal Embedding
通用正态嵌入
机构 * Viterbi Faculty of Electrical and Computer Engineering（电气与计算机工程学院）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出通用正态嵌入假设，通过实验验证编码器和生成模型共享的高斯潜在空间，展示其在属性预测和可控编辑中的应用。
Comments Accepted to CVPR 2026
3DSceneEditor: Controllable 3D Scene Editing with Gaussian Splatting
3DSceneEditor: 基于高斯散射的可控3D场景编辑
机构 * D Optical Metrology unit, Fondazione Bruno Kessler（3D光学测绘单元，布鲁诺·凯斯勒基金会） ； Department of Information Engineering and Computer Science, University of Trento（信息工程与计算机科学系，特伦托大学）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出3DSceneEditor，通过高斯散射实现高效精准的3D场景编辑，整合实例分割模型与CLIP实现语义对齐，支持对象添加、重定位等操作，实验表明其在精度和效率上优于现有方法。
Comments Accepted by WACV 2026, Project Page: https://ziyangyan.github.io/3DSceneEditor
Causal World Modeling for Robot Control
机器人控制中的因果世界建模
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出LingBot-VA框架，通过视频世界建模与视觉语言预训练结合，实现机器人学习的新基础。模型包含共享潜在空间、闭环回滚机制和异步推理流程，提升了长周期操作和数据效率。
Comments Project page: https://technology.robbyant.com/lingbot-va Code: https://github.com/robbyant/lingbot-va
HUG-VAS: A Hierarchical NURBS-Based Generative Model for Aortic Geometry Synthesis and Controllable Editing
HUG-VAS：一种基于层次NURBS的生成模型用于主动脉几何合成与可控编辑
机构 * Department of Aerospace and Mechanical Engineering, University of Notre Dame（notre dame 大学航空航天与机械工程系） ； Sibley School of Mechanical and Aerospace Engineering, Cornell University（cornell 大学机械与航空航天工程学院） ； Department of Applied and Computational Mathematics and Statistics, University of Notre Dame（notre dame 大学应用与计算数学与统计学系）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 HUG-VAS通过结合NURBS参数化与层次扩散模型，实现主动脉几何的精细合成与可控编辑，支持零样本生成与临床应用。
Comments 64 pages, 9 figures, 6 supplementary figures
Controllable Text-to-Motion Generation via Modular Body-Part Phase Control
通过模块化身体部位相控实现可控的文本到运动生成
机构 * Fudan University（复旦大学） ； Shanghai Jiao Tong University（上海交通大学） ； HKUST（香港科技大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； The University of Hong Kong（香港大学）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出模块化身体部位相控方法，通过紧凑的标量相界面实现局部化编辑，保留运动整体一致性，提供可控的文本到运动生成方案。
Toward High-Fidelity Visual Reconstruction: From EEG-Based Conditioned Generation to Joint-Modal Guided Rebuilding
迈向高保真视觉重建：从基于EEG的条件生成到联合模态引导重建
机构 * Beijing University of Technology, Beijing（北京理工大学） ； Beijing Key Laboratory of Computational Intelligence and Intelligent System, Beijing（北京计算智能与智能系统重点实验室）
专题命中 可控生成 ：image generation(abstract)；分类 cs.CV
AI总结 本文提出联合模态视觉重建框架，通过独立学习EEG和文本信息，提升EEG特征的重建能力，结合多尺度编码和图像增强，实现高保真视觉重建。
SeeClear: Reliable Transparent Object Depth Estimation via Generative Opacification
SeeClear: 通过生成性消透明实现可靠的透明物体深度估计
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 SeeClear通过生成性消透明技术，将透明物体转换为几何一致的不透明图像，从而提升单目深度估计的稳定性与准确性。
Comments Project page: https://heyumeng.com/SeeClear-web/. 19 pages, 12 figures
SAMA: Factorized Semantic Anchoring and Motion Alignment for Instruction-Guided Video Editing
SAMA：用于指令引导视频编辑的因子化语义锚定与运动对齐
机构 * Baidu（百度） ； Tsinghua University（清华大学） ； City University of Hong Kong（香港城市大学） ； Zhejiang University（浙江大学）
专题命中 可控生成 ：inpainting(abstract)；分类 cs.CV
AI总结 SAMA通过因子化语义锚定和运动对齐方法，在无需外部先验知识的情况下实现精确语义修改与运动保真的平衡，展示了强大的零样本视频编辑能力。
Comments 24 pages, 12 figures
R&D: Balancing Reliability and Diversity in Synthetic Data Augmentation for Semantic Segmentation
R&D: 在语义分割中平衡可靠性与多样性以合成数据增强
机构 * University of Information Technology, Ho Chi Minh City, Vietnam（越南胡志明市信息科技学院） ； Vietnam National University, Ho Chi Minh City, Vietnam（越南国家大学）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出一种整合可控扩散模型的合成数据增强方法，通过类感知提示和视觉先验融合提升图像质量，有效提升语义分割性能，尤其在数据稀缺场景中表现优异。
Journal ref Computational Collective Intelligence, ICCCI 2025, Lecture Notes in Computer Science 16139 (2026) 433-448
LICA: Layered Image Composition Annotations for Graphic Design Research
LICA：图形设计研究的分层图像组成标注
专题命中 可控生成 ：inpainting(abstract)；分类 cs.CV
AI总结 LICA提出了一个包含155万个多层图形设计作品的数据集，通过分层结构和丰富的元数据，推动图形布局的结构理解和生成，同时引入动画布局挑战，支持时序感知生成模型等研究。
Infinity-RoPE: Action-Controllable Infinite Video Generation Emerges From Autoregressive Self-Rollout
Infinity-RoPE: 自动回归自回滚中涌现的无限视频生成
机构 * Virginia Tech（弗吉尼亚理工学院）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出Infinity-RoPE，通过Block-Relativistic RoPE、KV Flush和RoPE Cut三个组件解决自回归视频扩散模型的三个瓶颈，实现无限时域、可控和电影级视频生成。
Comments CVPR 2026 | Project Page: https://infinity-rope.github.io/
Search2Motion: Training-Free Object-Level Motion Control via Attention-Consensus Search
Search2Motion: 基于注意力-共识搜索的无训练物体级运动控制
机构 * Intel Corporation（英特尔公司）
专题命中 可控生成 ：inpainting(abstract)；分类 cs.CV
AI总结 Search2Motion通过注意力-共识搜索实现无训练的物体级运动编辑，利用首尾帧运动先验保持场景稳定性，引入ACE-Seed策略提升运动保真度，提出新的评估指标验证其优越性。
Comments 14 pages, 9 figures
Training-free Detection of Generated Videos via Spatial-Temporal Likelihoods
无需训练的生成视频检测方法：时空似然方法
机构 * Technion – Israel Institute of Technology（技术学院–以色列理工学院）
专题命中 可控生成 ：image generation(abstract)；分类 cs.CV
AI总结 本文提出STALL方法，通过时空似然建模实现无需训练的视频合成检测，优于传统图像和视频检测方法。
Comments Accepted to CVPR 2026
Stereo World Model: Camera-Guided Stereo Video Generation
立体世界模型：基于摄像头的立体视频生成
机构 * The University of Hong Kong（香港大学） ； VAST ； ByteDance Pico（字节跳动Pico）
专题命中 可控生成 ：inpainting(abstract)；分类 cs.CV
AI总结 本文提出StereoWorld，一种基于摄像头的立体世界模型，通过联合学习外观和双眼几何实现端到端的立体视频生成。该模型在RGB模态中操作，直接从视差中获取几何信息，通过统一的相机帧RoPE和立体感知注意力分解提升生成效率和一致性。
Comments Project Page: https://sunyangtian.github.io/StereoWorld-web/
MosaicMem: Hybrid Spatial Memory for Controllable Video World Models
MosaicMem: 用于可控视频世界模型的混合空间记忆
机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； The University of Osaka（大阪大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Mujin Inc.（Mujin公司） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Taiyuan University of Technology（太原本科技大学）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 MosaicMem提出一种混合空间记忆方法，通过提升片段至3D实现可靠定位与检索，结合模型原生条件化保留提示生成，提升姿态一致性与动态建模能力，支持细粒度导航与场景编辑。
Comments Project Page: https://mosaicmem.github.io/mosaicmem/
S-VAM: Shortcut Video-Action Model by Self-Distilling Geometric and Semantic Foresight
S-VAM：通过自蒸馏几何和语义前瞻性构建快捷视频动作模型
机构 * The Hong Kong University of Science ； Technology (Guangzhou) Huawei Foundation Model Department
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 S-VAM通过自蒸馏策略实现单次前向传递生成几何和语义表示，提升动作预测效率，实验证明在复杂环境中优于现有方法。
M3DLayout: A Multi-Source Dataset of 3D Indoor Layouts and Structured Descriptions for 3D Generation
M3DLayout：一个多源的3D室内布局及结构描述数据集用于3D生成
机构 * Tsinghua University（清华大学） ； Beihang University（北京航空航天大学） ； Migu Beijing Research Institute（咪咕北京研究院）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出M3DLayout数据集，包含21367个布局和433k个物体实例，整合真实扫描、专业CAD设计和程序生成场景，为3D生成模型提供多样化的空间和语义学习基础。
Comments CVPR 2026; Project Page: https://graphic-kiliani.github.io/M3DLayout/
WorldCam: Interactive Autoregressive 3D Gaming Worlds with Camera Pose as a Unifying Geometric Representation
WorldCam: 交互式自回归3D游戏世界与相机姿态作为统一的几何表示
机构 * Adobe Research（Adobe研究院）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出WorldCam，通过将相机姿态作为统一的几何表示，解决交互式游戏世界中动作控制与长时序3D一致性问题，结合物理连续动作空间和全局相机姿态索引提升导航与视觉质量。
Comments Project page is available at https://cvlab-kaist.github.io/WorldCam/
Semantic One-Dimensional Tokenizer for Image Reconstruction and Generation
语义一维分词器用于图像重建与生成
机构 * Tsinghua University, Beijing, China（清华大学，北京，中国） ； Alibaba Group, Beijing, China（阿里巴巴集团，北京，中国）
专题命中 可控生成 ：image generation(abstract)；分类 cs.CV
AI总结 本文提出SemTok，一种语义一维分词器，通过压缩2D图像为1D离散token实现高效图像重建，采用三重创新框架提升生成效果。
Comments 18 pages,12 figures
$D^3$-RSMDE: 40$\times$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation
$D^3$-RSMDE：40倍更快且高保真度的遥感单目深度估计
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出$D^3$-RSMDE框架，结合ViT快速生成初步深度图并利用轻量级U-Net进行细节优化，实现高效高保真度的遥感单目深度估计，比现有方法快40倍且LPIPS指标降低11.85%。
ECHO: Edge-Cloud Humanoid Orchestration for Language-to-Motion Control
ECHO：边缘-云计算人形机器人语言到动作控制
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； LimX Dynamics Technology Co., Ltd.（LimX动力技术有限公司） ； Shandong University（山东大学） ； Institute of Deep Perception Technology, Jiangsu Industrial Technology Research Institute (JITRI)（江苏工业技术研究院深度感知技术研究所）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 ECHO提出边缘-云计算框架，通过云端扩散模型生成自然语言指令对应动作，边缘设备通过强化学习跟踪执行，采用紧凑的机器人本征动作表示实现高效控制，实现实时动作生成与安全执行。
Gaze-guided Hand-Object Interaction Synthesis: Dataset and Method
引导注视的手-物体交互合成：数据集与方法
机构 * School of Information Science and Technology, ShanghaiTech University（信息科学与技术学院，上海科技大学）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出 gaze-guided 手-物体交互合成任务，引入首个捕捉 gaze、手和物体交互的 GazeHOI 数据集，并提出 GHO-Diffusion 模型以解决高一致性与物理合理性问题。
Comments Accepted by IEEE Transactions on Multimedia (TMM), 2026. Project Page: https://takiee.github.io/gaze-hoi/
Learning Latent Proxies for Controllable Single-Image Relighting
学习可控的单图像照明代理
机构 * HKUST（香港科技大学） ； HKPolyU（香港理工大学） ； CUHK（香港中文大学）
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出LightCtrl，通过物理先验和稀疏提示实现可控单图像照明，利用DPO优化和ScaLight数据集提升光照控制精度与PSNR表现。
Comments Accepted by CVPR2026
Benchmarking Semantic Segmentation Models via Appearance and Geometry Attribute Editing
通过外观和几何属性编辑评估语义分割模型
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 本文提出Gen4Seg数据生成管道，通过生成具有不同属性变化的挑战样本来评估语义分割模型，构建了Pascal-EA和COCO-EA两个新基准，发现开放词汇模型在几何变化下不比封闭集方法更鲁棒，数据增强技术在提升外观变化鲁棒性上有限。
Comments Accepted to IEEE TPAMI 2026
ConsistCompose: Unified Multimodal Layout Control for Image Composition
ConsistCompose：统一的多模态布局控制用于图像合成
专题命中 可控生成 ：image generation(abstract)；分类 cs.CV
AI总结 ConsistCompose通过将布局坐标直接嵌入语言提示，实现布局可控的多实例图像生成，并构建了3.4M的多实例生成数据集，提升了布局控制的精度和多模态理解能力。
Comments Accepted to CVPR 2026; 23 pages, 17 figures
Seeing Through the PRISM: Compound & Controllable Restoration of Scientific Images
通过PRISM：科学图像的复合与可控恢复
专题命中 可控生成 ：diffusion(abstract)；分类 cs.CV
AI总结 PRISM通过结合复合感知监督和加权对比度解纠缠目标，实现科学图像中复杂退化的同时恢复，支持通过自然语言提示选择性修复，提升下游科学准确性。
