跳到正文
#图像生成
10月7日周三
  6. 科技媒体 RSS65

    Google 发布 Nano Banana 2.1，进入 Arena 三个图像榜单

    Google 发布图像生成与编辑模型 Nano Banana 2.1，已进入 Arena 的文生图、图像编辑和多图编辑三个榜单，分别以 1328、1428、1431 分位列第 5、第 6、第 4。相比 Nano Banana 2，文生图提升 80 分、多图编辑提升 67 分、图像编辑提升 38 分。官方称其在视觉设计、基于掩码的编辑和主体一致性上有明显进步。

  15. arXiv22

    扩散模型中的特征信息动力学

    研究者提出"特征信息动力学"这一信息论框架，用于定位扩散模型生成过程中某个特征在何时被生成。借助 I-MMSE 恒等式，他们将特征互信息的变化率与最优无条件去噪损失和特征条件去噪损失之间的差值联系起来，得到可实用的特征信息密度估计器，并进一步构建了链式方法。

  16. arXiv22

    CMDS：用随机最优控制协调多智能体扩散模型

    研究者提出 Coordinated Multi-Agent Diffusion Steering（CMDS），将冻结的预训练扩散模型视为可复用的生成基元，通过学习到的控制协调其反向过程，从而生成由多个交互组件构成的结构化输出。该框架只需学习组件间的协调方式，无需重新学习各组件分布及其交互，为模块化复用独立训练的生成器提供了新思路。

10月6日周二
  12. arXiv31

    通过 On-Policy 上下文蒸馏将智能体经验内化到扩散模型权重

    研究者提出 Diffusion On-Policy Context Distillation（D-OPCD），将智能体框架改进后的提示词作为特权上下文，把智能体 harness 中编码的知识蒸馏进扩散模型权重，使 Text-to-Image 性能提升不再依赖完整 harness 运行。该方法针对的是智能体封装带来的记忆、技能、工作流编排、结果验证与迭代精修等外部增益。

  14. arXiv29

    解读 Diffusion Transformer 中的上下文 Token：用 LLM 读取 MM-DiT 中间表征

    研究提出一种通过自然语言提问读取多模态 Diffusion Transformer（MM-DiT）上下文空间的框架，训练轻量瓶颈网络将中间上下文 token 映射到冻结 LLM 的输入空间，让 LLM 直接回答关于生成中图像的问题。该方法针对生成过程中经多模态注意力反复更新、功能尚不明确的动态文本 token。

  15. arXiv31

    UniSlider：面向连续图像编辑的感知均匀滑块

    UniSlider 提出一种感知均匀的滑块，用于连续图像编辑。现有生成方法中滑块只是对 adapter 系数、提示词权重或插值因子等强度参数的重缩放，与感知变化关联很差，会出现图像部分回退、大段区间无可见变化、短区间突变等问题。UniSlider 通过重映射强度来修正这种不均匀节奏，但前提是轨迹单调，而现有方法并未强制这一点。

10月5日周一
  2. arXiv20

    基于拓扑信息提示条件的超声与 MRI 子宫结构通用分割

    研究提出一种拓扑信息提示条件（Topology-Informed Prompt-Conditioned）的通用分割方法，用于从超声和 MRI 中分割子宫多结构。该方法针对两种模态在图像外观、解剖背景、空间分辨率和标签空间上的显著差异，以及现有数据集分割目标不一致导致的负迁移问题，构建跨模态统一模型，以支持子宫疾病的计算机辅助筛查、诊断与治疗规划。

  5. arXiv28

    CentriQ：通过精确均值中心化实现扩散 Transformer 的无校准量化

    CentriQ 提出一种无需校准的扩散 Transformer（DiT）量化方法，通过精确均值中心化解决自适应 layer-norm 条件引入的 per-token 均值问题，将权重和激活量化至 4 bit 以降低采样成本。现有校准方法绑定特定 checkpoint 和提示词分布，而数据无关的 Hadamard 旋转在 DiT 上会损失生成质量，CentriQ 针对这一结构性成因进行了改进。