論文鏈接：https:arxiv.orgpdf2506.15564Git鏈接：https:github.comshowlabShowo亮點直擊提出了一種改進的原生統一多模態模型，無縫整合自回歸建模與流匹配技術，能夠跨（交錯）文本、圖像及視頻實現廣泛的多模態理解與生成任務。基于3D因果VAE空間，通過語義與低維特征的雙路徑時空融合機制，構建了可擴展至多模態理解與生成、圖像與視頻模態的統一視覺表示。設計了一種兩階段訓練流程，高效學習統一多模態模型，既能保留語言...

文章鏈接：https:arxiv.orgpdf2506.18899項目鏈接：https:filmasterai.github.ioFilMaster生成的視頻樣本亮點直擊一種融合電影原則的新型系統:提出FilMaster，首個基于AI的綜合性電影生成系統，明確圍繞電影原則設計，以指導鏡頭語言和電影節奏。它填補了從劇本到成片的鴻溝。從真實電影中學習攝影技術:提出一種新穎的多鏡頭協同RAG鏡頭語言設計模塊，從大量真實電影中學習攝影模式，生成連貫且富有表現力的視覺效果，實現多鏡...

論文鏈接：https:arxiv.orgpdf2506.13594項目鏈接：https:ai4scientificimaging.orgdive3d效果展示與GaussianSplatting基線的比較。Dive3D可以在不同的3D表示中生成3D對象Dive3D3DGaussianSplattings亮點直擊SIM損失替代KL散度：提出基于梯度匹配的SIM損失，從根本上解決KL散度導致的模式坍塌問題，顯著提升多樣性。統一框架：首次將擴散蒸餾和獎勵引導優化統一為發散最小化問題，實現多目標協同優化。全方面性能提升：在多樣性...

論文鏈接：https:arxiv.orgpdf2506.10395亮點直擊解耦視覺編碼架構：首創分任務設計視覺編碼器，解決理解與生成的固有矛盾。三階段漸進訓練：通過數據分層優化，實現細粒度多模態對齊與強指令跟隨能力。任務協同效應：首次揭示圖像理解與生成在統一框架中的相互增強作用。開源組件高效整合：巧妙結合CLIP、擴散模型和LLM，平衡性能與計算成本。Pisces在圖像生成和理解方面都表現出色總結速覽解決的問題統一多模態模型的性能差距...

論文鏈接：https:arxiv.orgpdf2506.10975git地址：?https:chenwl20.github.ioGenWorld亮點直擊高質量真實場景數據集：GenWorld首次專注于現實世界場景（如自動駕駛），提供多樣化、高逼真度的生成視頻，彌補領域空白。物理合理性驅動檢測：提出通過3D多視角一致性（而非傳統像素瑕疵）區分生成視頻，適應生成技術快速發展的挑戰。簡單有效的模型設計：SpannDetector僅需結合立體重建和時序模塊即實現顯著性能提升，為可解釋檢...

論文鏈接：https:arxiv.orgpdf2505.24873項目鏈接：https:minimaxremover.github.io亮點直擊提出了一種輕量且高效的基于DiT的視頻目標移除架構。MiniMaxRemover。受到“文本提示并不適合目標移除任務”這一觀察的啟發，用可學習的對比tokens（contrastivetokens）替代了文本條件，用于控制移除過程。這些tokens被直接集成到自注意力流中，能夠移除預訓練視頻生成模型中的所有交叉注意力層。在第一階段中，本文模型參數更少，并...

論文鏈接：https:arxiv.orgpdf2504.04158項目主頁：https:cvpr2025jarvisir.github.ioGithub倉庫：https:github.comLYL1015JarvisIRHuggingfaceOnlineDemo:https:huggingface.cospacesLYL1015JarvisIR背景與動機在自動駕駛等現實應用場景中，視覺感知系統常常受到多種天氣退化（如雨、霧、夜間、雪）的影響。傳統的單任務方法依賴特定先驗知識，而allinone方法只能解決有限的退化組合同時又存在嚴重的領域差異，難以應對復雜的...

香港大學和阿里達摩院聯合提出頭號玩家（PlayerOne）模型，該方法可以根據用戶提供的圖像構建一個支持用戶自由動作控制且場景一致的真實世界，通過攝像設備實時捕捉用戶的動作序列，PlayerOne能夠將這些動態信息無縫融入到構建的虛擬世界中，使用戶能夠以第一人稱視角，在如同頂級AAA游戲般的高質量場景中，自由地進行探索與互動。●論文標題：PlayerOne:EgocentricWorldSimulator●項目主頁：??https:playeronehku.github.io...

文章鏈接:https:arxiv.orgabs2506.05327項目主頁:https:aimuofa.github.ioPMLoss代碼鏈接:https:github.comaimuofaPMLoss在新視角合成（NovelViewSynthesis,NVS）技術飛速發展的今天，3D高斯潑濺（3DGaussianSplatting,3DGS）以其出色的實時渲染能力和照片級的視覺效果，成為了該領域的主流技術。為了擺脫傳統3DGS“逐場景優化”的束縛，前饋式（Feedforward）3DGS應運而生，它僅需一次網絡推理即可完成場景重建，極大地提升了...

文章鏈接：https:arxiv.orgpdf2506.05302項目地址：https:perceiveanything.github.io亮點直擊PAM（PerceiveAnythingModel），一種端到端的區域級視覺語言模型，旨在實現圖像和視頻中快速、全面、細粒度的視覺理解。SemanticPerceiver（語義感知器）的組件，有效利用SAM2主干網絡中的中間視覺特征，將通用視覺信息、定位信息和語義先驗融合為視覺token。開發了一套先進的數據精煉與增強流程，結合領先的VLM（如GPT4o）與人工專...

文章地址：https:arxiv.orgpdf2505.19415開源地址：https:hanghuacs.github.ioMMIGBench亮點直擊統一的任務覆蓋與多模態輸入：收集了超過380組（涵蓋動物、物體、人類和風格等類別），共計1,750張以物體為中心的多視圖圖像，支持嚴格的基于參考圖像的生成任務。構建了4,850條富含標注的提示語，涵蓋組合性（屬性、關系、物體、數量）、風格（固定模式、專業風格、自然風格、人類書寫）、寫實性（想象類）以及常識性（比較、否定...

論文鏈接：???https:openaccess.thecvf.comcontentCVPR2025papersHuImprovingAutoregressiveVisualGenerationwithClusterOrientedTokenPredictionCVPR2025paper.pdf???項目鏈接：https:sjtuplayer.github.ioprojectsIARGit鏈接：https:github.comsjtuplayerIAR單位：上海交通大學、騰訊優圖、浙江大學1.引言使用自回歸進行視覺生成最近已成為一個研究重點。然而，現有的方法主要是將自回歸架構轉移到視覺生成中，但很少研...

論文鏈接：https:arxiv.orgpdf2505.19874項目鏈接：https:stylear.github.io代碼鏈接：https:github.comwuyi2020StyleAR亮點直擊提出了一種訓練框架，使AR模型能夠利用二元文本到圖像數據執行風格對齊的文本到圖像生成，避免了在指令微調過程中擴展文本圖像圖像三元組數據的困難。提出了一種風格增強tokens（styleenhancedtokens）技術，有效解決了風格對齊文本到圖像生成任務中的內容泄露問題，并顯著提升了提示詞遵循性和風格...

近年來，強化學習（ReinforcementLearning）在提升大型語言模型（LLM）推理能力上的應用持續升溫，尤其在“思維鏈”（ChainofThought，簡稱CoT）推理方面顯示出強大潛力。如今，這一趨勢正從文本領域延伸至圖像生成。當圖像生成也被抽象為一種逐步決策的推理過程時，我們不禁要問：經典的DPO（直接偏好優化）和GRPO（組相對策略優化）在圖像生成場景中表現如何？誰在這個新戰場更勝一籌？近日，一項由香港中文大學、北京大學和...

論文鏈接：https:arxiv.orgpdf2505.20292項目鏈接：https:pkuyuangroup.github.ioOpenS2VNexus亮點直擊全新的S2V（SubjecttoVideo）基準測試：引入了用于全面評估S2V模型的OpenS2VEval，并提出了三種與人類感知一致的新自動評估指標。S2V模型選擇的新見解：通過使用OpenS2VEval進行評估，揭示了多種主體到視頻生成（S2V）模型的優勢與劣勢，提供了關鍵性見解。大規模S2V數據集：構建了OpenS2V5M數據集，包括510萬條高質量常規數...

文章鏈接：https:arxiv.orgpdf2506.03140項目鏈接：https:camclonemaster.github.io亮點直擊CamCloneMaster，一種新穎的框架，能夠實現基于參考視頻的精確相機控制來生成視頻。該框架無需相機參數或測試時微調，為用戶提供了便捷直觀的體驗。CamCloneMaster通過標記拼接（tokenconcatenation）這一簡單高效的方法，在單一模型中集成了相機控制的圖像到視頻（I2V）生成和視頻到視頻（V2V）重生成功能，無需額外的控制模塊。構建...

論文鏈接：https:arxiv.orgpdf2505.21060項目鏈接：https:nickisdope.github.ioStyl3R亮點直擊提出了一種前饋網絡用于3D風格化，該網絡處理稀疏無位姿的內容圖像和任意風格圖像，無需測試時優化，并能很好地泛化到域外輸入——使其適用于交互式應用。設計了一種雙分支網絡架構，將外觀建模與結構建模解耦，有效增強了新視角合成與3D風格化的聯合學習。本文方法實現了最先進的零樣本3D風格化性能，超越了現有零樣本方法，并接近...

論文鏈接：??https:arxiv.orgpdf2505.22642??項目鏈接：?https:younggyo.mefasttd3??亮點直擊提出了FastTD3，一種簡單、快速且高效的強化學習算法，能夠解決多種運動和操作任務，而之前的RL算法需要數十小時才能完成或無法解決。可以通過一個極其簡單的方案實現：使用大批次更新、并行仿真、分布式強化學習以及精心調優的超參數來訓練TD3智能體。展示了各種設計選擇的有效性。發布了一個易于使用的開源FastTD3實現，以加...

文章地址：https:arxiv.orgabs2505.23758開源地址：https:lorashop.github.io（待開源）亮點直擊首創多概念LoRA編輯框架：首次實現無需重新訓練微調，直接在給定圖片中無縫插入多個由LoRA定義的定制化概念（物體、人物、風格）。解耦掩碼自動提取技術:創新性利用模型內部特征圖，自動生成每個LoRA概念的空間影響區域掩碼，精準定位編輯位置。免訓練動態融合機制:在推理階段動態混合多個LoRA權重，僅在其對應掩碼區域內激活特定...

文章鏈接：https:arxiv.orgpdf2505.20275Git鏈接：https:github.comPKUYuanGroupImgEdit亮點直擊穩健的流程。引入了一個高質量的數據生成流程，確保數據集具有多樣性、代表性，并具備足夠的質量以支持圖像編輯模型的開發。新數據集。構建了ImgEdit，一個大規模、高質量的數據集，包含110萬單輪樣本（涵蓋10種代表性編輯任務）和11萬多輪樣本（包含3種新穎的交互類型）。可靠的基準。發布了ImgEditBench，該基準在三個關鍵維度（...