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。
SearchAD：大规模稀有图像检索数据集用于自动驾驶
机构 * Mercedes-Benz AG（梅赛德斯-奔驰集团） ； Institute for Intelligent Systems, Esslingen University of Applied Sciences（埃斯林根应用技术大学智能系统研究所）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 SearchAD为自动驾驶提供大规模稀有图像检索数据集，包含423k帧和513k个标注框，针对稀有类别检索问题，支持文本到图像和图像到图像检索及少样本学习。
Comments To be published in CVPR 2026
利用双曲几何进行有害提示检测与净化
机构 * University of Genoa（热那亚大学） ； Sapienza University of Rome（罗马大学） ； University of Cagliari（卡利亚里大学）
专题命中 文生图 ：image synthesis(abstract)；分类 cs.CV
AI总结 本文提出HyPE和HyPS方法，利用双曲几何空间检测和净化有害提示，提升视觉语言模型的安全性与鲁棒性。
Comments Paper accepted at ICLR 2026. Webpage available at: https://hype-vlm.github.io
为负责任分析保护和保存抗议动态
机构 * University of Kentucky（肯塔基大学）
专题命中 文生图 ：image synthesis(abstract)；分类 cs.CV
AI总结 本文提出一种负责任的计算框架，通过条件图像合成生成合成图像来保护隐私，分析抗议动态的同时减少隐私风险，并评估生成数据的公平性。
Comments 21 pages, 6 figures, Submitted to ACM Journal on Responsible Computing
GenOL：为名称-only在线学习生成多样化示例
机构 * KU Leuven（鲁汶大学） ； Seoul National University（首尔大学） ； ELLIS（欧洲学习与智能系统实验室） ； MPI-IS Tübingen（马克斯·普朗克智能系统研究所图宾根） ； Yonsei University（延世大学）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 针对在线学习中数据分布偏移问题，提出GenOL框架，通过生成模型提升名称-only训练中图像的内在和跨模型多样性，优于传统监督和网络监督方法。
Comments TMLR 2025
UltraG-Ray：基于物理的高斯射线投射用于新型超声成像合成
机构 * Chair for Computer Aided Medical Procedures (CAMP), Technical University of Munich（慕尼黑工业大学计算机辅助医疗程序教席） ； Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
专题命中 文生图 ：image synthesis(abstract)；分类 cs.CV
AI总结 本文提出UltraG-Ray，通过学习3D高斯场和物理模块生成更真实的超声B模图像，提升成像真实性与质量。
Comments Accepted at MIDL 2026 / to appear in PMLR
统一多模态模型作为自编码器
机构 * Shenzhen Graduate School, Peking University（北京大学深圳研究生院） ； Baidu（百度） ； Rabbitpre AI（兔展智能） ； SYSU（中山大学） ； USTC（中国科学技术大学） ； CASIA（中国科学院自动化研究所）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 本文提出统一GRPO方法，通过强化学习联合优化图像到文本和文本到图像任务，利用重建奖励提升语义一致性，增强多模态协同效果。
少样本文本到图像检索：新基准数据集和优化方法
机构 * Huawei Tel-Aviv Research Center（华为特拉维夫研究中心）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 本文提出FSIR任务及FSIR-BD数据集，通过少样本学习方法提升图像检索性能，实验表明其基准挑战性及优化方法优于现有基线。
PSDesigner: 基于人类创意流程的自动化图形设计
机构 * Institute of Big Data, College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与技术学院大数据研究所） ； Generative AI Lab, College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院生成式人工智能实验室）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 PSDesigner通过模拟人类设计师的创意流程，实现了自动化图形设计，通过设计数据集CreativePSD提升工具使用能力，在多种设计任务中优于现有方法，使非专业人士能轻松创建高质量设计。
Comments CVPR 2026, Project Page: https://henghuiding.com/PSDesigner/
CoIn3D：重新审视配置不变的多摄像头3D目标检测
机构 * National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人工智能与机器人研究所人机混合增强智能全国重点实验室） ； Intelligent Transportation Thrust of the Systems Hub, HKUST(GZ)（香港科技大学（广州）系统枢纽智能交通学域） ； Amazon Alexa AI（亚马逊Alexa人工智能）
专题命中 文生图 ：image synthesis(abstract)；分类 cs.CV
AI总结 本文提出CoIn3D框架，通过空间先验整合和摄像头感知数据增强，提升多摄像头3D目标检测在不同配置下的泛化能力。
Comments Accepted to CVPR 2026 main track
一种生成语义模糊图像的框架以探测人类和机器感知
机构 * University of California, Berkeley（加州大学伯克利分校） ； Massachusetts Institute of Technology（麻省理工学院）
专题命中 文生图 ：image synthesis(abstract)；分类 cs.CV
AI总结 该研究通过生成语义模糊图像探讨人类和机器感知的边界，揭示模型在概念区分上的偏差，展示控制模糊性作为诊断工具的价值。
ARGENT：自适应层次图像-文本表示
机构 * University of Maryland, College Park（马里兰大学 College Park分校） ； Samsung Research America, AI Center（三星美国研究院人工智能中心）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 ARGENT通过自适应蕴含损失和规范正则化解决超几何VLM的层级结构问题，引入角度基于的概率蕴含协议评估层次理解，提升图像分类、文本到图像检索及层次指标性能。
HUydra: 通过多HU区间生成建模实现全范围肺CT合成
机构 * INESC TEC, Portugal（葡萄牙INESC TEC研究院） ； Faculty of Engineering, University of Porto, Portugal（葡萄牙波尔图大学工程学院） ； Faculty of Sciences, University of Porto, Portugal（葡萄牙波尔图大学科学学院）
专题命中 文生图 ：image synthesis(abstract)；分类 cs.CV
AI总结 本文提出一种多HU区间生成建模方法，通过训练针对特定组织的生成模型并融合输出，实现全范围肺CT合成，优于传统2D基线，提升FID和MMD等指标。
Comments Submitted to iEEE TPAMI (Transactions on Pattern Analysis and Machine Intelligence)
WISER：更广的搜索、更深入的思考和自适应融合用于无训练零样本复合图像检索
机构 * Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所基础模型研究中心） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉学科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； National University of Singapore（新加坡国立大学） ； Wuhan AI Research（武汉人工智能研究院） ； Minzu University of China（民族大学）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 WISER通过'检索-验证-细化'流程统一文本到图像和图像到图像检索，显式建模意图和不确定性意识，实现更广泛的搜索和更深入的思考，提升零样本复合图像检索性能。
Comments Accept to CVPR 2026
可解释的跨领域少样本学习与修正的目标域局部对齐
机构 * School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 本文提出CC-CDFSL方法，通过循环一致性解决CLIP-based CDFSL中的局部对齐问题，提升局部视觉语言对齐和可解释性，实现SOTA性能。
Comments Accepted to CVPR 2026
无视位置，语言偏见：探测视觉语言编码器中中间层表征偏见以实现零样本语言基础空间理解
机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） ； Samsung Electronics（三星电子）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 研究探讨了视觉语言编码器中间层中位置和语言相关信息的偏见，通过层间分析发现常规最终层多模态嵌入优先考虑全局语义对齐，导致视觉嵌入对位置线索敏感性低，多语言文本嵌入在共享空间中形成语言依赖的几何偏移，提出构建空间地图的方法提升零样本图像分割性能。
Comments 61 pages, 28 Figures, 15 Tables
一个创意代理值得一个64-token模板
机构 * School of Computer Science and Engineering, Southeast University, Nanjing, China（1 南京大学计算机科学与工程学院） ； Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education, China（2 教育部新一代人工智能技术及其跨学科应用关键实验室（东南大学））
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 本文提出CAT框架，通过创意令牌化提升文本到图像生成的创造力，实现3.7倍速度提升和4.8倍计算成本降低，生成图像更受人类偏好。
匹配与融合：从无结构图像集实现一致生成
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 本文提出Match-and-Fuse方法，通过图模型实现无结构图像集的一致生成，利用内部特征融合和密集输入对应关系，在无需掩码或人工监督的情况下生成一致且高质量的图像集。
Comments CVPR 2026. Project page: https://match-and-fuse.github.io/
NOIR：用于隐式表示的神经算子映射
机构 * Department of Biomedical Engineering, University of Basel（巴塞尔大学生物医学工程系） ； Harvard Medical School, Brigham and Women’s Hospital（哈佛医学院布里奇沃特医院）
专题命中 文生图 ：image synthesis(abstract)；分类 cs.CV
AI总结 NOIR框架将医学影像任务重新表述为连续函数空间间的算子学习，实现分辨率无关的功能到功能转换，展示了对未见过离散化的强鲁棒性。
GlyphBanana: 通过代理工作流推进精确文本渲染
机构 * Shanghai Jiao Tong University（上海交通大学） ； Xiaohongshu Inc.（小红书公司） ； Hong Kong University of Science and Technology（香港科技大学） ； Southeast University（东南大学） ； South China University of Technology（华南理工大学）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 GlyphBanana通过代理工作流整合辅助工具，提升复杂文本和公式渲染的精度，适用于多种文本到图像模型。
Hoi3DGen：生成高质量的人-物交互的3D模型
机构 * University of Tübingen（图宾根大学） ； Tübingen AI Center（图宾根人工智能中心） ； Max Planck Institute for Informatics（马克斯·普朗克信息学院） ； Technische Universität Nürnberg（纽伦堡技术大学）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 Hoi3DGen通过多模态大语言模型生成高质量3D人-物交互模型，显著提升交互保真度和3D生成质量，实现文本到3D的高效生成。
OrthoEraser: 基于耦合神经元的正交投影用于概念擦除
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 OrthoEraser通过稀疏自编码器实现高分辨率特征解耦，利用分析梯度正交化策略有效擦除有害内容，同时保留良性语义，实验表明其在安全性和有效性上优于现有方法。
VIVECaption：一种改进标题质量的分步方法
机构 * Adobe Inc.（Adobe公司）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 VIVECaption通过双面方法改进标题质量，利用分层抽样和模型对齐策略提升图像-标题对齐效果，提供高质量训练数据解决方案。
TIQA: 生成图像中的人工对齐文本质量评估
机构 * Lomonosov Moscow State University（洛蒙诺索夫莫斯科国立大学） ； ISP RAS Research Center for Trusted Artificial Intelligence（俄罗斯科学院信息与系统研究所在可信人工智能领域研究中心） ； MSU Institute for Artificial Intelligence（莫斯科大学人工智能研究所）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 TIQA通过ANTIQA方法提升生成图像中文本质量评估的准确性，有效提高文本生成任务的过滤与重排序性能。
通过理解学习生成：基于理解的内在奖励用于统一多模态模型
机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； Peking University（北京大学） ； University of Chinese Academy of Sciences（中国科学院大学） ； Sun Yat-sen University（中山大学） ； Baidu Inc.（百度公司）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 本文提出GvU机制，通过内在奖励提升统一多模态模型的生成能力，同时增强其视觉理解能力，缩小理解与生成之间的能力差距。
Comments Accepted by CVPR 2026
基于条件激活传输的T2I安全引导
机构 * NASK National Research Institute（NASK国家研究所） ； Warsaw University of Technology（华沙技术大学） ； IDEAS Research Institute（IDEAS研究 institute） ； CISPA Helmholtz Center for Information Security（CISPA海德堡中心 for 信息安全）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 本文提出条件激活传输框架，通过几何条件机制和非线性传输映射，有效减少T2I生成不安全内容的风险，提升图像生成的安全性与保真度。
学习如何注视：面向3D CT的疾病感知视觉-语言预训练
机构 * Computer Vision Group, University of Freiburg, Germany Adaptive \& Agentic AI (A3) Lab, Aarhus University, Denmark Department of Radiology, Medical Center -- University of Freiburg, Germany Chair of Algorithms ； Data Structures, University of Freiburg, Germany ELLIS Institute Finland School of Electrical Engineering, Aalto University, Finland
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 本文提出了一种面向3D CT的疾病感知视觉-语言预训练模型，通过对比预训练和基于提示的疾病监督，实现了文本到图像检索、疾病分类及内扫描片段定位的统一模型。
求解带标签MRI的非线性盲逆问题：结合物理和深度生成先验
机构 * Johns Hopkins University（约翰霍普金斯大学） ； Johns Hopkins School of Medicine（约翰霍普金斯医学院）
专题命中 文生图 ：image synthesis(abstract)；分类 cs.CV
AI总结 本文提出了一种结合物理和深度生成先验的非线性盲逆框架，用于带标签MRI，实现了解剖恢复、高分辨率 cine 图像合成和运动估计的统一处理。
Comments Accepted at CVPR 2026
基于噪声对应关系的动态不确定性学习用于基于文本的人脸搜索
机构 * Zhejiang University（浙江大学） ； Beijing University of Posts Telecommunications（北京邮电大学） ； Beijing Forestry University（北京林业大学） ； Northwest Normal University（西北师范大学）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 本文提出DURA框架，通过动态不确定性学习和关系对齐方法，提升基于文本的人脸搜索在噪声环境下的鲁棒性和检索性能。
多模态模型中的非对称个性化特征
机构 * University of Southern California（南加州大学） ； New York University（纽约大学）
专题命中 文生图 ：text-to-image(abstract)；分类 cs.CV
AI总结 本文研究了多模态模型中描述模型的个性化特征及其对文本到图像模型的影响，发现生成图像丢失了描述中的关键变化，提出了一种新的量化方法。
Comments Project page: https://muzi-tao.github.io/asymmetric-idiosyncrasies/
无监督多对比脑MRI配准：通过强度随机化T1加权MRI（LUMIR25）
专题命中 文生图 ：image synthesis(abstract)；分类 cs.CV
AI总结 本文提出了一种基于强度随机化的多对比度脑MRI配准方法，通过多模态损失、强度随机化和轻量级优化策略，在无需显式图像合成的情况下实现了跨对比度的稳健泛化。
Comments Submitted to and reviewed by Learn2Reg MICCAI 2025
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