多语言文生图被曝"语言不平等"！LingT2I基准：10种语言33K提示词，通义千问也翻车
这几年文生图模型卷得飞起，从扩散模型到自回归模型，画质越来越惊艳，英语提示词玩得风生水起。无论是谷歌的Nano Banana，还是阿里的Qwen-Image，你用英语输入"一只在沙滩上戴墨镜的柯基"，出图效果基本都能当壁。
标签：图像生成
共 101 篇
ACM MM 2026：让AI"听声作画"不再是玄学！中科大联合电信AI构建32.3万高质量数据集
音频生成图像终于有了像样的"教材"！中科大联合电信AI研究院打造的A2I-Set数据集，32.3万组高质量三元组，配合FAT-Fusion的AudioCanvas模型，让"听声作画"不再是鸡同鸭讲。数据开源的诚意之作，值得细品。
字节等发布RGBA视频生成新作：跳过35%透明token，1.2倍提速画质不降
游戏行业离不开RGBA动画，但“先生成RGB再抠图”的老路子，一到半透明边缘就翻车。字节联合北大清华带来一个反直觉方案：既然alpha本身就是可见性信号，那干脆用它来跳过计算——用2.4K个游戏资产视频训练RGBA生成器，1.2倍提速，FVD 174.4，质量几乎无损。
北大东北大学最新CoInS-Net：医学插值分割一步到位，PSNR最高涨1.67dB
医学影像里，插值和分割各干各的，就像分手后非要各自忙活，结果边界糊了、病灶漏了。这篇论文让两个任务在一套网络里双向打配合，四个数据集上插值PSNR最高涨1.67dB、分割Dice最高涨2.9个百分点，推理还省了一半时间，临床落地够实在。
图像生成｜南科大新作：在线微调13秒搞定个性化文生图，主体一致性稳了
一张参考图，一段文字，13秒在线微调，不用预训练不用大算力，就能让扩散模型在生成过程中同时锁定"主体像不像"和"文字听不听话"。这种把炼丹塞进推理管线的思路，工程落地潜力很值得一看。
西工大最新研究：一步超分不用蒸馏，FLOPs狂降6倍、质量反超CTMSR
一步超分又有新玩法：西工大MeanSR不靠教师模型蒸馏，直接学习低分辨率条件下的平均速度场来显式建模恢复轨迹，CLIPIQA、MUSIQ、MANIQA全面涨，FLOPs只有之前最强单步方法CTMSR的约1/6，推理还快了近一倍。感兴趣怎么实现的，往下看。
ATDEdit：图像编辑告别背景漂移，PSNR冲到27.44dB
图像编辑最怕什么？改完目标，背景也跟着面目全非。这篇ACM MM 2026论文提出ATDEdit，把扩散Transformer的采样过程改造成异步Token解码，用Token级条件惊奇在线发现"该改哪些Token"，不需要外部掩码、不需要微调，在PIE-Bench上把背景保持的PSNR推到27.44dB。方法干净、思路漂亮，值得一读。
港城大MirrorWorld：AI画镜子终于不再“睁眼说瞎话”
最近，来自香港城市大学和斯旺西大学的研究团队提出一个名为 MirrorWorld 的框架，专门解决视频生成中的镜子反射一致性问题。
西北工业大学最新研究：图像超分和文字预测一个模型搞定，速度比DiffTSR快101倍
场景文本超分是OCR落地硬骨头——图要修得漂亮，字还得认得准。西北工业大学等机构提出的DualTSR把图像生成和文字预测塞进同一个Transformer，训练时同步加噪、推理时互相引导，把DifTSR参数量砍掉六倍、速度快一百倍，识别率反而大涨12.78个百分点。一个字：值。
FDA最新研究：病理图像评估不用纠结，换个特征提取器，相关性飙8倍？
先来聊一个问题：怎么判断一张“造假”的病理切片图像到底像不像真的？
胎儿超声合成告别128×128：EDM2高分辨率开源模型全面上线
准妈妈躺在检查床上，医生拿着超声探头在肚皮上滑来滑去，屏幕上一团模糊的灰度影像。别小看这团灰度，它决定了整个孕期最重要的一次“过关”。产前超声检查是评估胎儿健康的主要手段，而人工智能想在里头帮忙，先得喂饱数据。问题来了…
CMU等四校联手：可微分物理笔刷，让AI生成手写还能操控机器人直接写出来
想象一下，AI 不仅能模仿任何人的笔迹生成手写图片，还能把笔画轨迹直接发给机器人，让它拿着笔在纸上写出来——在线轨迹和离线图像向来是两条平行线，这篇来自 GIST、CMU、延世大学等机构的论文用一个六参数的可微分物理笔刷模型，硬是把它们捏成了同一件事。
