ELODIN: Naming Concepts in Embedding Spaces
专题命中 文生图 ：text-to-image(abstract)；image synthesis(abstract)；分类 cs.CV、cs.GR
Comments Added quantitative data, fixed formatting issues
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. 文生图 3489 篇
Foundations and Trends in Multimodal Machine Learning: Principles, Challenges, and Open Questions
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV、cs.MM
Traditional Classification Neural Networks are Good Generators: They are Competitive with DDPMs and GANs
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV、cs.MM
Comments This paper has 29 pages with 22 figures, including rich supplementary information. Project page is at \url{https://classifier-as-generator.github.io/}
Simultaneous Multiple-Prompt Guided Generation Using Differentiable Optimal Transport
专题命中 文生图 ：text-to-image(abstract)；image synthesis(abstract)；分类 cs.CV、cs.GR
Comments Accepted at ICCC 2022
Unifying Multimodal Transformer for Bi-directional Image and Text Generation
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV、cs.MM
Comments ACM MM 2021 (Industrial Track). Code: https://github.com/researchmm/generate-it
Deep HDR Hallucination for Inverse Tone Mapping
专题命中 文生图 ：inpainting(abstract)；image synthesis(abstract)；分类 cs.CV、cs.GR
Journal ref Sensors 2021, 21, 4032
Voice2Mesh: Cross-Modal 3D Face Model Generation from Voices
专题命中 文生图 ：image generation(abstract)；image synthesis(abstract)；分类 cs.CV、cs.GR
Comments Project page: https://choyingw.github.io/works/Voice2Mesh/index.html
Training Object Detectors on Synthetic Images Containing Reflecting Materials
专题命中 文生图 ：image generation(abstract)；image synthesis(abstract)；分类 cs.CV、cs.GR
Cross-Domain Image Synthesis: Generating H&E from Multiplex Biomarker Imaging
机构 * Department of CSE University of Texas at Arlington Arlington, Texas, USA（计算机科学与工程系 乌德勒支理工大学 美国德克萨斯州阿灵顿）
专题命中 文生图 ：image synthesis(title)
Documenting Patterns of Exoticism of Marginalized Populations within Text-to-Image Generators
专题命中 文生图 ：text-to-image(title)
Comments Upcoming Publication, AIES 2025
Vulnerability of Text-to-Image Models to Prompt Template Stealing: A Differential Evolution Approach
机构 * Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所） ； University of California at Merced（加州大学默塞德分校） ； University of Chinese Academy of Sciences（中国科学院大学） ； The University of Sydney（悉尼大学）
专题命中 文生图 ：text-to-image(title)
Comments 14 pages,8 figures,4 tables
Maybe you are looking for CroQS: Cross-modal Query Suggestion for Text-to-Image Retrieval
专题命中 文生图 ：text-to-image(title)
Comments 15 pages, 5 figures. To be published as full paper in the Proceedings of the European Conference on Information Retrieval (ECIR) 2025
Investigating the Design Considerations for Integrating Text-to-Image Generative AI within Augmented Reality Environments
专题命中 文生图 ：text-to-image(title)
Image synthesis with graph cuts: a fast model proposal mechanism in probabilistic inversion
专题命中 文生图 ：image synthesis(title)
Journal ref Geophysical Journal International, 204, 1179-1190 (2016)
Decoupled Vision-Language System for Multimodal Understanding and Generation
用于多模态理解与生成的解耦式视觉-语言系统
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Peng Cheng Laboratory（鹏城实验室） ； Li Auto（理想汽车）
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 本研究提出多模态大语言模型Libra的解耦式视觉-语言架构，通过开关注意力与FFN模块实现自模态与跨模态解耦，在理解与生成任务上均取得优异性能。
Towards Physics-Faithful Generation of Scientific Diagrams
面向物理保真的科学图表生成
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 针对现有文本到图像生成模型生成的科学图表存在物理错误的问题，提出Princigram生成器，通过结构化物理思维链实现物理保真的科学图表生成，在相关基准上验证了其有效性。
Innocent Panels, Hateful Stories: Evaluating and Detecting Hateful Intent in Multi-Turn Visual Story Generation
无辜的面板，仇恨的故事：评估与检测多轮视觉故事生成中的仇恨意图
机构 * CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心） ； Hewlett Packard Enterprise（惠普企业）
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 本研究针对多轮视觉故事生成的组级仇恨意图问题，构建了专用评估数据集，发现现有审核系统存在漏检，提出互补防御方法，强调安全需适配视觉叙事的发展。
Comments 16 pages, 5 figures, 10 tables
Harm is not Universal: Community-Specific Toxicity Detection is Urgently Needed
危害并非普遍存在：迫切需要针对特定社区的毒性检测
机构 * Microsoft Research Cambridge, UK（英国剑桥微软研究院） ； Microsoft Paris, France（法国巴黎微软）
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 研究指出文本到图像生成的通用毒性检测方法不能保护边缘化社区，主张特定社区毒性检测（CTD）。通过与专家合作制定指南，利用图像数据集实验表明现有模型表现不佳，基于提示的方法和参数高效微调可提升性能，但CTD性能仍远低于通用检测，需持续研究。
Comments 18 pages, under review
What CLIP Knows but Cannot Say: Recovering Negation from Frozen Intermediate Features
CLIP 所知道但无法表达的：从冻结的中间特征中恢复否定信息
机构 * Purdue University（普渡大学）
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 对比视觉语言模型如CLIP对否定不敏感，研究发现是表征坍缩所致。提出轻量级事后校正系统PeakPatch，在不改变预训练权重下恢复否定信号，通过特定网络提取信号、预测偏差向量等，经实验验证其有效性及泛化性。
SuperFlow: Training Flow Matching Models with RL on the Fly
SuperFlow: 通过实时强化学习训练流匹配模型
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 SuperFlow通过实时强化学习优化流模型训练，提升文本-图像生成效率和质量。
Comments This article is withdrawn because it was submitted to arXiv without obtaining the consent of all listed authors
SPQR: A Multi-Dimensional Benchmark for Safety Alignment under Benign Model Adaptation
SPQR：良性模型适应下安全对齐的多维基准测试
机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； University of Waterloo（滑铁卢大学） ； Michigan State University（密歇根州立大学）
专题命中 文生图 ：text-to-image(abstract)；diffusion(abstract)；分类 cs.CV
AI总结 研究文本到图像扩散模型安全对齐在良性微调下的稳定性，引入SPQR基准测试，通过单评分指标提供统一框架，经多方面分析确定安全对齐失败情况，为T2I安全对齐技术提供简洁全面的基准。
Comments 34 pages, 9 figures, 13 tables
Bridging Modal Isolation in Interleaved Thinking: Supervising Modality Transitions via Stepwise Reinforcement
交错思维中的模态隔离桥接：通过逐步强化监督模态转换
机构 * Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiaotong University（上海交通大学） ； Zhejiang University（浙江大学） ； University of Chinese Academy of Sciences（中国科学院大学）
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 提出MoTiF框架，通过反射式SFT和Flow-GRPO优化模态转换保真度，解决交错思维中图像与文本脱节的模态隔离问题，提升跨模态一致性和任务准确性。
Comments 22 pages, 5 figures, 6 tables
LEMUR 2: Unlocking Neural Network Diversity for AI
LEMUR 2：释放人工智能的神经网络多样性
机构 * University of Würzburg（维尔茨堡大学）
专题命中 文生图 ：text-to-image(abstract)；image synthesis(abstract)；分类 cs.CV
AI总结 LEMUR 2旨在释放神经网络多样性，通过统一生成、评估和部署管道，利用多种方式生成超14000个不同架构及大量训练记录，采用特定管道进行自动部署和延迟基准测试，涵盖多模态任务，为LLM微调提供数据基础，推动相关新兴范式发展。
Comments 10 pages, 9 figures, 1 table
Distribution Matching Variational AutoEncoder
分布匹配变分自编码器
专题命中 文生图 ：diffusion(abstract)；image synthesis(abstract)；分类 cs.CV
AI总结 本文提出DMVAE，通过分布匹配约束将编码器的潜在分布与任意参考分布对齐，发现基于自监督学习的分布在图像生成中表现优异。
Comments ICML2026
Shape of Thought: Progressive Object Assembly via Visual Chain-of-Thought
思维形状：通过视觉思维链进行渐进式物体组装
机构 * School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）科学与工程学院） ； School of Data Science, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） ； Sun Yat-sen University（中山大学） ； The Hong Kong University of Science and Technology, Guangzhou（香港科学与技术大学（广州）） ； Shenzhen Future Network of Intelligence Institute (FNii-Shenzhen)（深圳未来网络智能研究所（FNii-Shenzhen）） ； Guangdong Provincial Key Laboratory of Future Networks of Intelligence, CUHK(SZ)（广东省未来网络智能重点实验室，CUHK(SZ)）
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 提出Shape-of-Thought (SoT)框架，通过视觉思维链在渲染2D域中逐步组装形状，解决文本到图像生成中的组合结构约束问题，在组件计数和结构拓扑上显著优于直接生成。
Comments ICML2026
RUB: Evaluating Residual Knowledge in Unlearned Models
RUB: 评估未学习模型中的残留知识
机构 * Electrical and Computer Engineering University of Alberta（电气与计算机工程大学阿尔伯塔大学）
专题命中 文生图 ：text-to-image(abstract)；image synthesis(abstract)；分类 cs.CV
AI总结 提出鲁棒未学习原则及统一基准RUB，通过未学习映射攻击（UMA）检测残留信息，揭示现有方法在对抗评估下的脆弱性。
Journal ref Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, June 2026, pages 8550-8559
CheXGenBench: A Unified Benchmark For Fidelity, Privacy and Utility of Synthetic Chest Radiographs
CheXGenBench：合成胸片保真度、隐私和实用性的统一基准
机构 * University of Edinburgh（爱丁堡大学） ； Samsung AI Center, Cambridge（剑桥三星AI中心）
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 提出CheXGenBench，首个统一评估框架，同时衡量合成胸片生成模型的保真度、隐私风险和下游实用性，涵盖11种前沿T2I模型，揭示当前模型在长尾分布、隐私风险和下游多模态任务中的局限。
Comments Published in Transactions of Machine Learning Research (06/2026)
Journal ref Transactions on Machine Learning Research (2026)
Modality Forcing for Scalable Spatial Generation
模态强制实现可扩展的空间生成
机构 * Carnegie Mellon University（卡内基梅隆大学） ； World Labs
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 提出Modality Forcing方法，通过为每个模态分配独立噪声水平，实现单DiT的联合图像-深度生成，利用稀疏深度数据训练，继承T2I预训练的可扩展性，在深度估计上取得竞争性能。
Cross-Modal Masked Compositional Concept Modeling for Enhancing Visio-Linguistic Compositionality
跨模态掩码组合概念建模以增强视觉-语言组合性
机构 * MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition, University of Science and Technology of China（中国科学技术大学，教育部脑启发智能感知与认知重点实验室） ； Independent Researcher（独立研究员）
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 提出MACCO框架，通过掩码一个模态的组合概念并从另一模态完整上下文重建，增强视觉-语言模型的组合理解能力，在五个基准上显著提升。
Comments Accepted to ACL 2026 Main Conference, 25 pages
ARM: An AutoRegressive Large Multimodal Model with Unified Discrete Representations
ARM: 一种具有统一离散表示的自回归大型多模态模型
机构 * Shanghai Key Lab of Intelligent Information Processing, Fudan University（复旦大学上海智能信息处理重点实验室） ； School of Computer Science, Fudan University（复旦大学计算机科学技术学院） ； Shanghai Collaborative Innovation Center of Intelligent Visual Computing（上海智能视觉计算协同创新中心） ； Youtu Lab, Tencent（腾讯优图实验室） ； Meta AI ； Shanghai AI Laboratory（上海人工智能实验室）
专题命中 文生图 ：image generation(abstract)；text-to-image(abstract)；分类 cs.CV
AI总结 提出ARM模型，通过离散语义视觉分词器将图像映射为紧凑token序列，结合自回归建模和强化学习，统一实现图像理解、生成和编辑，并提升任务性能与跨任务协同。
Comments technical report
