LCPNet：面向红外小目标检测的潜在一致近端展开网络
研究者提出 LCPNet，一种在潜在空间进行展开的红外小目标检测网络，验证了低秩先验在潜在表示中依然有效，避免中间状态反复压缩。其 Latent Consistent Proximal 求解器让每个潜在变量从上一状态演化，并通过任务自适应归一化与增益控制稳定小目标更新；Shared Optimization Memory 为各分解变量提供跨阶段协同引导。
#图像生成
arXiv cs.AIAI 评分2222 arXiv cs.AIAI 评分2626 InverFill：一步反演增强少步扩散模型图像修复
InverFill 是一种面向图像修复的一步反演方法，通过将输入掩码图像的语义信息注入初始噪声，解决少步扩散模型因随机高斯噪声初始化导致的语义错位与保真度下降问题。该方法无需训练修复模型，仅以语义对齐噪声驱动少步文生图模型的混合采样流程，在低 NFE 下显著优于原始混合采样，甚至媲美专用修复模型。InverFill 无需真实图像监督，仅增加极少推理开销，已被 CVPR'26 主会议接收。
arXiv cs.AIAI 评分2424 VDE Bench：评估图像编辑模型修改视觉文档的能力
VDE Bench 是一个面向中英文文档图像指令编辑的评测基准，包含 3,506 个样本，其中文本区域编辑 1,578 个、表格区域编辑 1,928 个。该基准将编辑指令与参考图像配对，并附有标注编辑区域和结构化 OCR 输出，评测协议结合区域级与整页测量，考察文本正确性、结构保真度和视觉内容保持。
arXiv cs.AIAI 评分2222 UniFGVC：基于属性感知多模态检索的通用免训练少样本细粒度视觉分类
UniFGVC 是一个免训练的少样本细粒度视觉分类框架，将分类任务重构为基于预定义类别模板的多模态检索问题。其核心 CDV-Captioner 模块借助 MLLM 生成结构化文本描述，结合链式推理与视觉参考定位相似类别的判别性视觉属性，抑制模型幻觉。在 12 个 FGVC 数据集上，该方法不仅超越现有少样本 CLIP 方法，还超过多个全监督 MLLM 方法。
arXiv cs.AIAI 评分2222 PanoDiff-SR：用扩散模型与超分辨率合成牙科全景 X 光片
PanoDiff-SR 提出一套两阶段端到端流程，先用扩散模型 PanoDiff 生成 256×128 低分辨率全景 X 光片种子，再由微调的 HAT 超分辨率阶段放大至 1024×512 诊断级分辨率，可在单张 47 GB GPU 上完成。
arXiv cs.AIAI 评分2424 ACEdit：用非对称条件化实现稳定的多轮图像编辑
ACEdit 提出一种训练方案，让图像编辑模型在多轮编辑中保持稳定：训练时强制编辑器处理自己前几轮的输出，把 Self-Forcing 引入图像编辑。由于自生成轨迹偏离真值、直接监督不可靠，该方法用蒸馏目标让教师编辑器提供可靠信号，并采用非对称条件化——学生基于自身输出顺序编辑，教师始终锚定原始干净图像并接收复合编辑指令。实验显示长多轮序列中的质量退化显著降低，同时保持编辑质量与指令遵循。
arXiv cs.AIAI 评分1818 TRACE：面向细长结构分割的拓扑感知预测自适应重连方法
TRACE 是一种拓扑感知、预测自适应的分割目标函数，利用目标骨架定义所需局部连接，并为每个连接在当前预测下寻找最易实现的有效重连，将其瓶颈与对应骨架点联合监督。该方法还引入拓扑感知骨架载体，同时保留前景与类别特定拓扑。在六个 2D 和 3D 基准上，TRACE 在保持较强分割精度的同时改善了连通性与拓扑，训练开销较低。
arXiv cs.AIAI 评分2222 DINO-FIL：多层 Transformer 融合用于生成式图像修复伪造定位
DINO-FIL 是一个基于 Transformer 的框架，用于像素级定位生成式图像伪造，它结合预训练 DINOv3 ViT-H+/16 编码器的多层表示与轻量融合解码器，捕捉语义结构和编辑引入的细粒度纹理不一致。
arXiv cs.AIAI 评分3333 EigDiff：用特征样本扩散将训练数据集缩小最多 14 倍
EigDiff 通过特征样本（eigensamples）在显著更小的数据集上训练扩散模型，训练数据最多减少 14 倍、子集选择加速最多 1607 倍，性能差异微小。该方法在预训练 CLIP 的潜空间中做 PCA 计算潜特征向量，并以特征向量为参考点挑选由 exemplars 与多样图像组成的代表性训练集。
arXiv cs.AIAI 评分3434 WorldCast：探索世界状态预测中的智能视觉生成
研究者提出 WorldCast 基准，包含 8 个类别共 320 个手工设计案例，用于评估多步世界状态预测任务，并测试了 12 个代表性模型。GPT-Image-2.5 System 得分 72.8，展现出早期视觉状态预测能力；Nano Banana Pro 仅得 42.8，最佳开源模型得分 20.1。实验表明强生成模型能有效借助其底层语言模型的能力。
arXiv cs.CLAI 评分2828 ZoomCap：用证据路由视觉缩放实现可恢复的视觉信息迁移
ZoomCap 将细粒度图像描述建模为"可恢复的视觉信息迁移"，通过草稿描述路由条件知识检索、OCR 敏感阅读、覆盖缺口恢复与自适应视觉缩放，仅对最复杂的合格区域分配更深裁剪。
arXiv cs.AIAI 评分2323 Mine-Sample-Render：生成模型的测试时多样性对齐方法
研究者提出 MINE-SAMPLE-RENDER（MSR），一种测试时方法，将多样性外化为从真实语料挖掘可解释类别模式并据此采样属性配置，生成模型仅作为条件渲染器。在天气预报生成、用户模拟、网页设计、文生图和智能体生成 3D 资产任务上，MSR 提升了输出与语料分布的对齐度及生成多样性。
arXiv cs.AIAI 评分2727 AVCE：面向扩散模型可验证概念擦除的审计感知遗忘框架
针对文本到图像扩散模型的概念擦除方法，研究提出 AVCE 框架，将擦除锚定在模型潜空间中，审计每个概念的嵌入邻域并将脆弱方向压缩为锚点，再以闭式解编辑交叉注意力和自注意力投影。在 SD v1.5、SDXL 和 Flux 1.0 上，AVCE 将攻击成功率降低 5.07 倍、审计分数提升 3.84 倍，同时保持生成质量。
arXiv cs.AIAI 评分2020 用空间局部依赖替代条件独立假设：图像分割的 RankSEG 改进方法
针对 RankSEG 依赖条件独立假设（CIA）而忽略标签相关性、在低对比度场景下性能下降的问题，研究者提出用空间局部依赖（SLD）结构替代 CIA，并配合互易矩近似与不动点优化策略，将复杂度从 O(d³) 降至 O(d log d)。新算法在多个分割基准上持续优于传统 argmax 和基于 CIA 的 RankSEG，在低对比度或小目标场景提升显著。
arXiv cs.AIAI 评分2121 从平扫 MRI 预测脑内示踪剂分布：直接回归与流匹配的对比
研究用 104 例训练患者（878 个 MRI 体积）比较直接图像到图像回归模型与基于条件流匹配的生成模型，预测鞘内注射示踪剂在脑内的后期分布。直接模型在 23 例留出患者和 51 例特发性正常压力脑积水（INPH）队列中，将"直接复制平扫图像"的误差分别降低约 60% 和 25%，且预测变化图与观察到的示踪剂强化一致；生成模型在两个队列中精度均更低。
arXiv cs.AIAI 评分2626 HiLo-Token：面向高效图像编辑的输入自适应高低频 Token 压缩
针对 DiT 在图像编辑中占平均 73% 延迟的问题，研究者提出输入自适应 Token 压缩框架 HiLo-Token，对高频富上下文区域分配更多 Token、低频区域分配更少。在 A100-80GB 上，小、中、大掩码比例（平均 6.38%、15.92%、35.36%）分别取得 3.13×、2.59×、1.67× 的 DiT 加速且生成质量无退化，生产环境中服务所需 GPU 减少 33%。
arXiv cs.AIAI 评分2525 扩散模型训练数据归因：镜像遗忘与噪声一致偏斜（MUCS）
研究者提出 MUCS 方法，通过有界镜像梯度上升微调第二个模型，并用一致噪声样本测量其相对原模型的归一化偏斜，实现扩散模型的训练数据归因。该方法在三个数据集上大幅超越现有方法，并分析了影响实例重叠与 TDA 集成等新问题，已被 NeurIPS26 接收。
arXiv cs.AIAI 评分2222 PR-MaGIC：用掩码解码器梯度流优化提示词，实现上下文分割
PR-MaGIC 是一个免训练的测试时框架，通过 SAM 掩码解码器的梯度流优化提示词，解决上下文分割中支持图像与查询图像视觉不一致导致的提示词质量不佳问题。该框架可无缝集成到现有上下文分割流程中，并采用简单的 top-1 选择策略稳定性能。大量评测显示，PR-MaGIC 在多个基准上持续提升分割质量，无需额外训练或修改架构。
arXiv cs.AIAI 评分3131 IMAGAgent：基于约束感知规划与反思的多轮图像编辑框架
IMAGAgent 是一个基于"规划—执行—反思"闭环机制的多轮图像编辑智能体框架，通过约束感知规划模块将复杂指令分解为可执行子任务，并利用工具链编排模块调度图像检索、分割、检测与编辑等异构模型。
arXiv cs.AIAI 评分2222 HybridStitch：面向高效扩散生成的 Token 自适应模型拼接
HybridStitch 是一个免训练框架，通过 token 级反馈为每个更新选择提供模型的来源，在四个主要基准上实现图像生成提速 1.63–1.68 倍、扩散大语言模型（dLLM）吞吐量提升 1.15–1.58 倍。该方法让连续图像精修与离散语言承诺共享同一生成状态，并以模型专属 KV 缓冲为选定查询提供注意力上下文。dLLM 解码查询成本估计降低 50–66%，生成质量相当。
arXiv cs.AIAI 评分2222 OpenVTON-Bench：面向可控虚拟试穿评估的大规模高分辨率基准
OpenVTON-Bench 是一个约 10 万对高分辨率图像（最高 1536×1536）的虚拟试穿评估基准，结合 Gemini 密集描述与 DINOv3 K-Means 聚类的 20 个视觉簇分层采样。
arXiv cs.AIAI 评分2222 Uni-RS：面向遥感的空间忠实统一理解与生成模型
针对统一遥感多模态模型在文本到图像生成中难以忠实执行空间关系的"空间反转诅咒"，研究者提出 Uni-RS，通过显式空间布局规划、空间感知查询监督和图像-字幕空间布局变换三项设计，将几何规划与视觉合成解耦。实验显示该方法在多个基准上大幅提升生成的空间忠实度，同时在图像描述、视觉定位和 VQA 等理解任务上保持强劲表现。
arXiv cs.AIAI 评分2424 基于概念瓶颈模型的视觉异常检测可解释性研究
研究者将概念瓶颈模型（CBM）扩展至视觉异常检测（VAD）场景，提出双分支架构 Concept-Aware Visual Anomaly Detection，在概念级解释之外兼顾像素级异常定位。
arXiv cs.AIAI 评分4040 UnSAMv2：自监督学习实现任意粒度分割一切
UnSAMv2 无需任何人工标注即可在任意粒度上分割一切，仅用 6K 无标注图像和 0.02% 额外参数便显著增强 SAM-2，覆盖交互式、整图和视频分割任务。
arXiv cs.AIAI 评分2323 Earth2Ocean：无需额外训练的水下开放词汇分割框架
研究者提出免训练开放词汇分割框架 Earth2Ocean，将陆地视觉语言模型迁移至水下领域，无需任何额外水下训练。该工作同时发布首个大规模细粒度水下分割数据集 AquaOV255（255 类、超 2 万张图像）及首个水下开放词汇分割基准 UOVSBench。
arXiv cs.AIAI 评分1818 FAMPE：一种频率感知的模型参数归因方法，提升可解释性
研究者提出 FAMPE（Frequency-Aware Model Parameter Explorer）归因方法，通过独立扰动输入图像的低频与高频波段，并将扰动偏向模型真正依赖的频段，克服了 AttEXplore 全通滤波扰动无法适配模型的局限。
arXiv cs.AIAI 评分1212 面向深度肝脏血管分割的尺度特定辅助多任务对比学习
该研究提出一种深度监督的肝脏血管分割方法，通过新的聚类技术将血管树分解为从细小到粗大的多个尺度层级，并在标准 3D UNet 上引入尺度特定的辅助任务与对比学习，以增强共享表示中不同尺度的区分度。在公开 3D-IRCADb 数据集上，多项评估指标均取得良好结果。
arXiv cs.AIAI 评分2020 快速 Diffusion-GAN 模型：生成带情感的符号音乐
研究者提出一种 Diffusion-GAN 模型用于生成带情感符号音乐，通过将符号音乐表示为带力度值的类图像 pianoroll 并用变分自编码器获取潜在表示，绕开扩散模型处理离散数据的难题。该模型仅需 15 步去噪扩散即可生成高质量音乐，而多数符号音乐扩散模型需要数百甚至数千步，并成功实现对生成音乐情感的控制。
arXiv cs.AIAI 评分2222 让 Vibe 设计智能体实现创意探索
研究者提出一种推理架构，将设计探索设为实现前的显式阶段：预通过阶段生成带典型性权重的结构化设计规范，由外部策略采样方向，生成器在固定解码设置下实现，候选引出借鉴 Verbalized Sampling。
arXiv cs.AIAI 评分3636 RewardHarness：自进化智能体式后训练框架
RewardHarness 是一个免训练、自进化的智能体奖励框架，将奖励建模重构为上下文演化而非权重优化，仅用 100 条偏好演示即可迭代演化工具与技能库。它仅使用 EditReward 偏好数据 0.05% 的规模，在 EditReward-Bench K=2/3/4 和 GenAI-Bench 上达到 47.4% 平均准确率，超过 GPT-5 达 5.3 个百分点。
arXiv cs.AIAI 评分2222 ShoeFit：面向虚拟鞋类试穿的新数据集与双图流 DiT 框架
研究团队提出虚拟鞋类试穿框架 ShoeFit，并发布多视角鞋类试穿数据集 MVShoes，包含 7305 组标注图像三元组。ShoeFit 采用双流 DiT 架构，通过带 3D 旋转位置嵌入的多视角条件注入缓解视角错位，并用 LayeredRefAttention 借助背景特征调制鞋类隐变量以抑制背景导致的颜色失真。该工作已被 NeurIPS 2025 接收。
arXiv cs.AIAI 评分1818 LiFUSE：面向非增强 CT 肝病分析的频率-空间统一自监督预训练
针对非增强 CT（NCCT）组织对比度低、难以识别肝脏病灶的问题，研究者提出 LiFUSE 自监督预训练框架，其频率分支用随机带阻掩码与频谱重建捕捉病灶与周围组织的细微差异，空间分支做混合粒度掩码体素重建以适配不同大小和形态的病灶，并通过跨域一致性方案耦合两个分支。
arXiv cs.AIAI 评分2727 H-DDCM：用 Hadamard 码本实现快速生成式图像与视频压缩
H-DDCM 用隐式随机 Hadamard 字典替代高斯码本，实现免训练生成式图像与视频压缩，投影与重建仅需 O(d log d) 计算和 O(d) 内存。该框架还提出免查表字典序编码方案，并将方法适配到自回归视频流模型，通过周期性将近期重建帧重编码为新的 KV-cache 前缀，在单 GPU 上实现长时长、接近实时的生成式视频压缩。
arXiv cs.AIAI 评分2727 APT：面向文本生成图像的自反馈智能体后训练框架
APT 是一个全自动后训练框架，通过协调三个智能体构建评测集、诊断模型能力短板，并按自适应提示词分布生成强化学习数据，让模型当前表现决定下一轮训练任务，形成递归自我改进式反馈闭环。针对无用户指定评测场景的通用设置，该研究还开发了可生成广泛多样评测集的评测工具。实验表明 APT 在多个基座模型、benchmark 和生成架构上均适用，具备模型无关、benchmark 无关、架构无关且全自动的特性。
arXiv cs.AIAI 评分1212 FETALFusion：面向多域胎儿头部分割的分辨率感知状态空间建模
FETALFusion 是一种双路径 CNN-Mamba 编码器-解码器，用于跨采集类型的胎儿头部分割，仅在两个最高分辨率阶段应用四方向状态空间扫描，并在测试时平均域特定通道门控。
arXiv cs.AIAI 评分2525 QK-Edit：重新审视 MM-DiT 中基于注意力的图像与视频编辑注入方法
QK-Edit 是一个无需训练的框架，通过新的 query-key 操控策略利用 MM-DiT 的多模态自注意力动态，实现文本引导的图像与视频编辑。该方法支持物体添加、移除、替换、背景/材质/颜色更改和风格转换等任务，并可通过推理时的特征替换实现。在 FLUX 和 HunyuanVideo 等模型上，QK-Edit 展现出更优的编辑性能，该工作已被 ICCV 2025 接收。
arXiv cs.AIAI 评分2222 MID：用于评估医学图像分割的掩码-图像分布差异指标
研究者提出 MID（Mask-Image Distributional Divergence），一种面向医学图像分割的分布级评估指标，无需逐样本配对真值掩码，通过比较参考集与预测集的图像-掩码联合分布来同时衡量掩码真实性与图像-掩码一致性。
arXiv cs.AIAI 评分2323 渐进式深度增长如何高效预训练自监督视觉 Transformer
研究系统考察了渐进式深度增长在 MAE 和 DINOv3 两类自监督视觉 Transformer 中的效果：在全局与稠密任务上，该方法将训练 FLOPs 降低 13.9%–24.8%，ImageNet 线性探测准确率最高提升 3.36 个百分点。增长还改善了中间层表征，并重塑内部计算模式——MAE 中出现全局与局部注意力反复交替，自蒸馏 DINOv3 中局部到全局注意力的过渡提前出现。
arXiv cs.AIAI 评分5252 InfoVis：统一的幻灯片图像生成与编辑模型
InfoVis 是一个统一的 9B 幻灯片生成与编辑模型，基于 FLUX.2-klein-base-9B 做幻灯片专项后训练，在 VisSlideBench 上以 7.94 总分领先所有参评开源模型，接近 Nano-Banana-2 的 7.99。
arXiv cs.AIAI 评分2929 GenRevisit：让智能体学会回看历史图像的组合式图像生成框架
GenRevisit 是一个智能体框架，将动作选择扩展为联合的延续状态与动作选择，让智能体可从交互历史中挑选图像候选再编辑，而非固定从最新图像继续优化。该框架采用 SFT 加智能体强化学习训练，并提出 Normalized Action Credit Assignment（NACA）解决 GRPO 中轨迹级优势分配过粗的问题。