Iris-3B：用像素空间扩散训练、转换与微调超越潜空间
Iris-3B 提出在像素空间进行扩散训练、转换与微调的方法，试图超越潜空间扩散路线。相关论文已发布在 Hugging Face Papers（编号 2610.09）。
#图像生成
#图像生成
今日 0 条AK(@_akhaliq)AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。
lmarena.ai(@lmarena_ai)AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 如何为后训练前沿图像模型设计奖励？LMArena 研究提出复合奖励方案
LMArena 研究指出人类偏好奖励对后训练图像模型必要但不充分，模型仍会奖励好看却丢细节或引入无关内容的输出，因此提出复合奖励：约 560 万对人工投票训练的 Bradley-Terry 奖励模型、由视觉语言模型评估自动生成提示词清单的忠实度奖励、约束奖励与反奖励黑客评分奖励。
AK(@_akhaliq)AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 10/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 论文《On the Diffusibility of High-Dimensional Latents》发布
论文《On the Diffusibility of High-Dimensional Latents》已在 Hugging Face Papers 上线，聚焦高维潜变量的可扩散性问题。原文未披露模型、参数规模或 benchmark 数据等具体信息。
NVIDIA AI(@NVIDIAAI)AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 38/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 NVIDIA 在 ECCV 2026 发布 Axolotl3D：多模态遮挡感知 3D 生成模型
NVIDIA 研究团队在 ECCV 2026 发布 Axolotl3D，一个多模态、遮挡感知的 3D 生成模型，结合图像、相机数据和部分几何信息重建缺失区域并保留已观测区域，在单视图与多视图设置下均取得 SOTA 结果。
AK(@_akhaliq)AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 27/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Marigold V2 重新审视扩散 Transformer 用于单目深度估计
Marigold V2 提出用扩散 Transformer 重做单目深度估计，论文已发布在 Hugging Face Papers（2609.08…）。该工作重新审视扩散 Transformer 在这项任务上的表现，具体指标与可用性原文未披露。
vivo互联网技术AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 SmartPhotoCrafter：先思考后修图的统一理解-生成图像优化新范式
vivo BlueImage Lab 提出 SmartPhotoCrafter，一个统一理解—生成—优化框架，实现"先分析、再决策、后优化"的自动图像优化流程。
vivo互联网技术AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 TinySR：面向真实世界图像超分辨率的轻量级扩散模型
浙江大学 AiXM 课题组、vivo BlueImage Lab 与之江实验室提出轻量级扩散模型 TinySR，用于真实世界图像超分辨率。它通过深度剪枝、动态块间激活、扩张-腐蚀策略、VAE 轻量化、移除时间与提示模块及 pre-caching 优化推理，相比教师模型 TSD-SR 最高提速 5.68 倍、参数量减少 83%、MACs 降低 84%。
Fei-Fei Li(@drfeifei)AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 36/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 李飞飞团队发布 GPIC：面向大规模视觉生成的 1 亿图文对数据集与基准
李飞飞等人推出 GPIC（Giant Permissive Image Corpus），一个面向大规模生成模型时代的视觉生成数据集与基准，含 1 亿条 VLM 标注图文对用于训练、100 万条图文对用于评测，总计约 28 万亿像素。该数据集完全允许研究及商业用途，采用集中托管，并同时提供数据集、基准与模型。
Fei-Fei Li(@drfeifei)AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 31/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 李飞飞团队提出 Latent Forcing：扩散顺序先 Latent 后 Pixel 提升收敛
李飞飞与 Alan Baade 等提出 Latent Forcing，通过安排联合扩散轨迹先揭示 Latent 再生成 Pixel，在编码无损、推理端到端的前提下改善收敛。该方法回应了扩散应选原始数据还是 Latent 空间的问题，答案是两者兼用。
Berkeley AI Research BlogAI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 信息驱动的成像系统设计：Berkeley 团队用互信息直接评估与优化成像硬件
加州大学伯克利分校团队提出一种基于互信息的成像系统评估与优化框架，可直接从带噪测量中估计信息量，且任何建模误差只会高估、不会低估真实信息。该方法在彩色摄影、射电天文、无透镜成像和显微成像四个领域验证，信息估计能预测下游解码器性能，优化出的设计达到端到端 SOTA 水平，同时所需内存和算力更少，也无需任务专用解码器。相关论文发表于 NeurIPS 2025。
Lilian Weng — Lil’LogAI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 广义视觉语言模型：四类视觉与语言融合方法综述
Lilian Weng 在 Lil'Log 综述将视觉语言模型（VLM）归为四类：把图像转为可与 token 嵌入联合训练的嵌入向量、学习可作为冻结预训练语言模型前缀的图像嵌入、用专门设计的 cross-attention 机制把视觉信息融入语言模型各层，以及不做任何训练直接组合视觉与语言模型。