图像生成

【论文精读】Diffusion Mamba：基于双向 SSM 的高效图像与视频生成架构标题：Scaling Diffusion Mamba with Bidirectional SSMs for Efficient Image and Video Generation

这张生成的图像能检测吗

（论文速读）InteractVLM: 基于2D基础模型的3D交互推理论文题目：InteractVLM: 3D Interaction Reasoning from 2D Foundational Models（基于2D基础模型的3D交互推理）

这张生成的图像能检测吗

（论文速读）开放词汇3D场景理解的掩蔽点-实体对比论文题目：Masked Point-Entity Contrast for Open-Vocabulary 3D Scene Understanding（开放词汇3D场景理解的掩蔽点-实体对比）

聚梦小课堂

ComfyUI Blog: ImagenWorld 发布：面向图像生成与编辑的真实世界基准测试数据集comfyui官方blog 10月17发了一篇blog，原文地址：https://blog.comfy.org/p/introducing-imagenworld

统一高效图像生成与编辑！百度&新加坡国立提出Query-Kontext，多项任务“反杀”专用模型论文链接：https://arxiv.org/pdf/2509.26641亮点直击Query-Kontext，一种经济型集成多模态模型（UMM），能够将视觉语言模型（VLMs）中的多模态生成推理与扩散模型执行的高保真视觉渲染相分离。

学技术的大胜嗷

使用BatchNorm偏置填充边界：确保推理一致性与数值稳定性在深度学习模型中，BatchNorm（BN）层通过标准化数据来加速训练并提高模型的稳定性。然而，在实际应用中，边界区域的标准化常常存在一定的挑战，尤其是在推理阶段。偏置填充是一种有效的策略，它通过对边界数据进行平移，确保了边界区域的输出与中间区域的一致性。

碎片笔记｜生成模型原理解读：AutoEncoder、GAN 与扩散模型图像生成机制前言：本篇博客简要介绍不同生成模型架构的图像生成原理，主要包括AutoEncoder、GAN 和 Diffusion Models 三类。

这张生成的图像能检测吗

（论文速读）Prompt-Free Diffusion：告别提示工程的烦恼论文题目：Prompt-Free Diffusion: Taking “Text” out of Text-to-Image Diffusion Models（无提示扩散:从文本到图像的扩散模型中提取“文本”）

这张生成的图像能检测吗

（论文速读）BlenderGym:图形编辑的基准基础模型系统论文题目：BlenderGym: Benchmarking Foundational Model Systems for Graphics Editing（BlenderGym:图形编辑的基准基础模型系统）

变分自编码器VAE的Pytorch实现这里只展示一部分vae_gen_img_4.jpgvae_gen_img_29.jpgvae_gen_img_49.jpg

HyperAI超神经

OmniGen2 多模态推理×自我纠正双引擎，引领图像生成新范式；95 万分类标签！TreeOfLife-200M 解锁物种认知新维度近年来，生成式 AI 技术在图像领域取得显著突破，如 Stable Diffusion 系列、 DALL-E3 等模型通过扩散模型实现了高质量文本到图像生成。然而，这些模型缺乏视觉生成通用模型所需的全面感知理解和生成能力。 OmniGen 应运而生，基于扩散模型架构，为各种生成任务提供统一的解决方案，具备多任务处理能力，无需额外插件即可生成高质量图像。不可否认的是，该模型在多模态解耦与数据多样性方面仍存在局限。

旺旺碎碎冰_

自回归图像编辑 EditAR: Unified Conditional Generation with Autoregressive ModelsPaperhttps://arxiv.org/pdf/2501.04699Code (coming soon)

MIT何恺明再次突破传统：分形递归架构引爆生成模型新纪元！论文链接：https://arxiv.org/pdf/2502.17437 代码链接：https://github.com/LTH14/fractalgen

通向AGI的未来之路！首篇2D/视频/3D/4D统一生成框架全景综述(港科大&中山等)文章链接： https://arxiv.org/pdf/2503.04641理解并复现现实世界是人工通用智能（AGI）研究中的一个关键挑战。为实现这一目标，许多现有方法（例如世界模型）旨在捕捉支配物理世界的基本原理，从而实现更精确的模拟和有意义的交互。然而，当前的方法通常将不同模态（包括2D（图像）、视频、3D和4D表示）视为独立领域，忽略了它们之间的相互依赖性。此外，这些方法通常专注于现实的孤立维度，而没有系统地整合它们之间的联系。在本综述中，我们提出了一种多模态生成模型的统一综述，探讨了现实世界模拟中

春末的南方城市

CineMaster: 用于电影文本到视频生成的 3D 感知且可控的框架。CineMaster是一种 3D 感知且可控的文本到视频生成方法允许用户在 3D 空间中联合操纵物体和相机，以创作高质量的电影视频。

春末的南方城市

Stability AI 联合 UIUC 提出单视图 3D 重建方法SPAR3D，可0.7秒完成重建并支持交互式用户编辑。Stability AI 联合 UIUC 提出一种简单而有效的单视图 3D 重建方法 SPAR3D，这是一款最先进的 3D 重建器，可以从单视图图像重建高质量的 3D 网格。SPAR3D 的重建速度很快，只需 0.7 秒，并支持交互式用户编辑。

[EAI-031] DeepSeek 的 Janus-Pro，统一的多模态理解和生成模型论文标题：Janus-Pro: Unified Multimodal Understanding and Generation with Data and Model Scaling 论文作者：Xiaokang Chen, Zhiyu Wu, Xingchao Liu, Zizheng Pan, Wen Liu, Zhenda Xie, Xingkai Yu, Chong Ruan 论文链接：https://arxiv.org/abs/2501.17811v1 项目主页：https://github.co

【ComfyUI】python调用生图API，实现批量出图官方给的示例：https://github.com/comfyanonymous/ComfyUI/blob/master/script_examples/websockets_api_example.pyhttps://github.com/comfyanonymous/ComfyUI/blob/master/script_examples/websockets_api_example.pyhttps://github.com/comfyanonymous/ComfyUI/blob/master/scri

春末的南方城市

浙大|腾讯|华为提出定制化视频生成框架VideoMaker，可通过参考图实现Zero-shot定制化视频生成。浙大联合腾讯和华为提出了一种新的定制化视频生成框架——VideoMaker，利用VDM的内在能力，实现高质量的zero-shot定制化视频生成。该方法通过直接输入参考图像到VDM中，利用其固有的特征提取和注入机制，克服了以往方法在特征一致性和多样性方面的不足。通过对人类和物体视频生成的实验验证了该框架的有效性。

春末的南方城市

Google发布图像生成新工具Whisk：无需复杂提示词，使用图像和人工智能将想法可视化并重新混合Whisk 是 Google Labs 的一项新实验，可使用图像进行快速而有趣的创作过程。Whisk不会生成带有长篇详细文本提示的图像，而是使用图像进行提示。只需拖入图像，即可开始创建。