ArtChart来了：艺术图表也要讲数学，双语基准首发
这篇论文最有意思的地方，不是“让图表更好看”，而是把“好看”和“正确”这对天生互相打架的目标，硬生生拉到了一张桌子上。它不只给出方法，还顺手做了一个双语基准和六轴评测，属于能直接拿来做后续研究的那种工作。
标签：图像生成
共 101 篇
StructGen来了：多参考图像生成告别张冠李戴
多参考图像生成最怕什么？不是模型不够大，而是参考一多，语义就开始打架。StructGen 直接把参考图像做成“字典”，用标识符把人、衣服、场景钉死，思路很工程，也很实用。
扩散去噪当视图？这篇论文把判别和生成一起做了
扩散模型平时最擅长“画图”，这篇论文偏要让它顺手把分类也干了。D3CL的思路很直接：把不同去噪步当成不同视图，再用LoRA轻量改造Stable Diffusion，结果判别和生成两头都没掉链子。
Apple Research最新论文：3步从图像集合悟出概念
这篇论文最有意思的地方，不是又造了一个更会“听话”的模型，而是把问题反过来：模型能不能从几张示例图里自己悟出共同概念，再拿去指导生成？Apple Research这次盯上的，就是视觉模型最容易翻车、但也最像人类学习的那一口气。
上海AI实验室等开源视频深度估计新模型！从游戏里抓出6M帧合成数据，效果效果优于所有生成式方法
如果有一项技术能从你的手机视频中提取出世界的3D结构，像人眼一样感知景深，你会用它做什么？上海AI实验室联合浙大、悉尼大学，最近放了一个大招：Depth Any Video。这个模型直接在Stable Video Diffusion上「开刀」，并靠着从游戏世界收集来的600万帧高质量深度数据，实现了视频深度估计的时空一致性全面飞跃。效果拉满，看了演示gif保
上海AI Lab最新研究：给视频做深度估计，零成本“打游戏”就搞定了？
视频深度估计一直卡在“没数据”上。这篇来自上海AI Lab、浙大和悉大的论文，直接去游戏里“白嫖”了4万段高精度视频深度数据，再把手里的视频生成扩散模型改成深度估计模型，3步去噪就出结果，跑得比谁都快。效果直接起飞，把之前所有生成式深度模型都甩在身后。
2026新方法：图像理解+生成一体化，采样步数越多越强
这篇论文最有意思的点，不是又堆了一个多模态采样器，而是把“图文互相打架”这件事变成了可修正的过程。文本和图像不再各写各的，而是在同一次去噪里边想边改，挺像老师边讲边在黑板上补笔。
Yale新方法FD-loss：让医学图像生成更像真肿瘤，分割DSC提升超5%
这篇论文很实在：不跟生成模型纠缠“像不像”，而是直接问“合成数据能不能把分割做对”。FD-loss把分布对齐塞进医学图像生成训练里，结果不是纸面分数好看，而是下游分割真涨点。
USTC新方法DNA：89.11%追踪生成图像来源
这篇工作最有意思的地方，不是“又做了一个归因方法”，而是把问题拆成了两层：先认家族，再认具体变体。家族内模型长得太像，单一信号很容易翻车，DNA 直接把 VAE 和 backbone 各自擅长的证据分开用，思路很工程，也很像真正能落地的取证流程。
SceneTok来了：3D场景压成32K token，5秒还能生成
3D场景生成一直卡在两个字：太大。SceneTok偏偏反着来，把场景先压成少量无序token，再把“渲染”和“生成”拆开做，结果是压缩率高得离谱，速度还不慢，挺像把大卡车拆成乐高再开回去。
CVPR 2026新作HIVE-3D：单图生成高保真3D场景，层级体素细化更稳
单图生成3D场景，最难的不是“能生成”，而是“生成后还能不能继续细化且不跑偏”。HIVE-3D把粗场景、2D分割、注意力对齐和体素超分辨率串成一条链，思路很工程，也很实用。
UCF-101上VideoRAE刷新SOTA：离散40、连续93
这篇论文最有意思的地方，不是又做了一个视频自编码器，而是把“只会理解”的冻结视频基础模型，硬生生改造成了能重建、能生成、还能加速训练的通用视频潜空间。更妙的是，它把连续和离散两条生成路线都打通了，工程味很足。
