#图像生成
#图像生成
_akhaliq@_akhaliqAI 评分
HuggingPapers@HuggingPapersAI 评分 UniEvo-VL 一个自进化框架，单个多模态模型同时充当教师和学生，从自身的建设性反馈中学习，在无外部监督的情况下提升图像生成能力。
Google ResearchAI 评分Google 的 Diffusion Controller 如何统一并简化 AI 图像生成控制
Google Research 提出 Diffusion Controller 框架，把扩散模型的去噪过程重构为连续控制问题，用一个轻量"转向阻尼"网络在冻结基座模型的前提下动态调整生成轨迹。
X：AK (@_akhaliq)AI 评分 FuseReg：正则化层融合缓解表征自编码器的重建-生成差距
论文提出 FuseReg，通过正则化层融合来缓解表征自编码器中的重建-生成差距。该工作指出，启发式层融合会导致不匹配，因为重建的最优融合与生成的最优融合并不相同。
- Google ResearchAI 评分
Google Research 揭示扩散模型创造力来源：score smoothing 如何让模型学会插值
Google Research 在 ICLR 2026 论文《On the Interpolation Effect of Score Smoothing in Diffusion Models》中解释了扩散模型的创造力来源。
Berkeley AI ResearchAI 评分
信息驱动的成像系统设计：Berkeley AI Research 提出基于互信息的成像系统评估框架
Berkeley AI Research 提出一种基于互信息的成像系统评估与优化框架，可直接从含噪测量中估计信息量，预测系统性能。该方法在彩色摄影、射电天文、无透镜成像和显微镜四个领域验证有效，优化后的设计达到端到端方法水平，且内存和计算需求更低、无需任务专用解码器。相关成果发表于 NeurIPS 2025 论文。
OpenAI NewsAI 评分 OpenAI 简化并稳定连续时间一致性模型，两步采样媲美扩散模型
OpenAI 简化、稳定并扩展了连续时间一致性模型，仅用两步采样即可达到与领先扩散模型相当的样本质量。
OpenAI NewsAI 评分 OpenAI 改进一致性模型的训练技术
OpenAI 提出改进的一致性模型训练技术。一致性模型是一类新兴生成模型，无需对抗训练即可一步采样出高质量数据。
OpenAI NewsAI 评分 OpenAI 的 Consistency Models 如何实现快速生成
OpenAI 提出 Consistency Models，可在不依赖迭代采样的情况下实现图像、音频和视频生成，从而解决扩散模型生成速度慢的问题。扩散模型虽推动了这些领域的发展，但其迭代采样过程导致生成缓慢。
OpenAI News精选AI 评分 OpenAI 提出基于 CLIP latents 的分层文本条件图像生成方法
OpenAI 发布研究《Hierarchical text-conditional image generation with CLIP latents》，提出一种基于 CLIP latents 的分层文本条件图像生成方法。
OpenAI News精选AI 评分 OpenAI 发布 Image GPT：用 Transformer 生成图像
OpenAI 发现，正如在语言上训练的大型 Transformer 模型能生成连贯文本，同一模型在像素序列上训练后也能生成连贯的图像补全与样本。通过建立样本质量与图像分类准确率之间的相关性，OpenAI 表明其最佳生成模型在无监督设置下所含特征可与顶级卷积网络竞争。
推荐理由：OpenAI 用同一 Transformer 架构处理像素序列，并给出生成质量与分类精度的关联证据。
OpenAI NewsAI 评分 OpenAI 推出可逆生成模型 Glow
OpenAI 提出可逆生成模型 Glow，采用可逆 1x1 卷积，在简化架构的同时可生成逼真的高分辨率图像并支持高效采样。该模型还能发现可用于操控数据属性的特征，相关代码与在线可视化工具已开放。
OpenAI NewsAI 评分 OpenAI 造出多尺度多视角下仍能欺骗神经网络的对抗图像
OpenAI 表示已生成一批图像，在多种尺度和视角下都能稳定骗过神经网络分类器。这一结果对上周提出的说法构成挑战，即自动驾驶汽车因从多个尺度、角度和视角采集图像而难以被恶意欺骗。