ECCV2026 图像生成论文解读论文笔记扩散模型文生图对齐/RLHF 图像编辑多模态超分辨率

🎨 图像生成¶

🎞️ ECCV2026 · 337 篇论文解读

📌 同领域跨会议浏览： 🧠 NeurIPS2026 (1) · 📷 CVPR2026 (490) · 🔬 ICLR2026 (352) · 💬 ACL2026 (5) · 🧪 ICML2026 (141) · 🤖 AAAI2026 (79)

🔥 高频主题： 扩散模型 ×94 · 文生图 ×25 · 对齐/RLHF ×23 · 图像编辑 ×20 · 多模态 ×13

MixGRPO: Unlocking Flow-based GRPO Efficiency with Mixed ODE-SDE: MixGRPO 把流匹配模型的随机探索与 GRPO 更新集中到由粗到细移动的短窗口，窗口外使用确定性采样，在 FLUX.1-dev 的 HPDv2 测试中以更少更新步改善偏好评分；表 1 的基本版与最快 Flash* 版分别将单次训练迭代耗时降低约 49% 和 71%。
TIIF-Bench: How Does Your T2I Model Follow Your Instructions?: TIIF-Bench 将文生图评测拆为分层的长短配对提示、逐属性二元检查与专用文本/风格指标，并把 Qwen3VL-8B 训练为可解释评估器，在人工标注验证集上达到 91.07% 准确率。
Distribution Matching Distillation Meets Reinforcement Learning: DMDR 将少步扩散蒸馏与偏好优化放进相互约束的两阶段训练流程，使 4 步学生在多个总体指标上超过多步教师，但偏好收益仍伴随生成多样性的下降。
Towards Scalable Pre-training of Visual Tokenizers for Generation: VTP 让视觉分词器同时学习重建、视觉语义与图文对齐，使增加分词器预训练投入能够改善下游扩散生成，在 ImageNet 256×256 上以 675M 生成模型训练 600 epochs 后取得有引导 gFID 1.11。
Continuous Speculative Decoding for Autoregressive Image Generation: 本文首次将推测解码从离散分布扩展到连续分布，通过去噪轨迹对齐（denoising trajectory alignment）提升 draft-target 接受率，再配合接受-拒绝采样（acceptance-rejection sampling）解决修正分布无解析表达式的采样难题，在 MAR、xAR、Harmon 等多个连续视觉 AR 模型上实现超过 2 倍墙钟加速且保持生成质量不变，全程无需额外训练。
SRUM: Fine-Grained Self-Rewarding for Unified Multimodal Models: SRUM 提出一种自奖励后训练框架，让统一多模态模型（UMM）的理解模块扮演内部评估器，通过全局-局部双奖励系统为生成模块提供细粒度纠正信号，显著提升复杂文本到图像生成的质量。
GenAgent: Scaling Text-to-Image Generation via Agentic Multimodal Reasoning: GenAgent 把生成器作为冻结工具，让一个经过冷启动和智能体强化学习的多模态模型负责改写、看图判断与迭代反思，在最多两轮生成的主实验中将 FLUX 的 GenEval++ 分数从 0.325 提升到 0.561。
Query-Kontext: An Unified Multimodal Model for Image Generation and Editing: Query-Kontext 用可训练的多模态查询 token 把 VLM 的语义与粗粒度视觉规划传给扩散模型，再以低层图像条件补足细节，实现统一生成与编辑，在使用提示词改写的 GenEval 上获得 0.88，在 GEdit-Bench 英文和中文全量集上分别获得 7.66 和 7.65。
RealGen: Photorealistic Text-to-Image Generation via Detector-Guided Rewards: RealGen 把合成图检测器变成写实度奖励，先优化 Qwen3 的提示词改写，再优化 FLUX 的图像生成，使完整系统在 RealBench 的模型裁判对真实照片比较中达到 50.15% 胜率，但这不等于所有人类观察者都无法辨别真伪。
Learning on the Manifold: Unlocking Standard Diffusion Transformers with Representation Encoders: RJF 将表示编码器潜空间中的直线流匹配改为球面测地线流匹配，并按曲率导致的误差传播加权训练，使无需加宽的 131M 参数 DiT-B 在 ImageNet 256 类条件生成上达到 FID 4.95，加入引导后为 3.37，均训练 200 epoch。
PhysRVG: Physics-Aware Unified Reinforcement Learning for Video Generative Models: PhysRVG 用碰撞加权的真实轨迹偏差评价视频续写，并在强化学习探索失败时追加 Flow Matching 监督，使 PhysRVGBench 的 IoU 达到 0.64、轨迹偏移降至 15.03，但这些结果主要证明受限刚体场景中的轨迹拟合能力。
BlenderFusion: 3D-Grounded Visual Editing and Generative Compositing: BlenderFusion 把图像中的物体提升为可编辑几何，用 Blender 表达精确编辑意图，再通过双流扩散合成器补全并融合画面，在三个视频数据集上优于适配后的 Object 3DIT 和 Neural Assets，且支持训练未覆盖的精细组合编辑。
SAEdit: Token-Level Control for Continuous Image Editing via Sparse Autoencoder: SAEdit 将 T5 token 表征映射到稀疏语义空间，筛选并聚合可缩放的属性方向，再通过时序注入控制图像编辑强度；在 Flux 用户研究中，相对 ConceptSlider（Flux）的整体偏好胜率为 71%，但解耦能力仍受生成模型先验限制。
SD3.5-Flash: Distribution-Guided Distillation of Generative Flows: SD3.5-Flash 将分布匹配放回学生自身的生成轨迹，配合分时步微调与流水线轻量化，把 SD3.5M 蒸馏为四步文生图模型，在提升部分偏好与对齐指标的同时支持手机部署，但并未改善所有质量指标。
VGGT-World: Transforming VGGT into an Autoregressive Geometry World Model: VGGT-World 将冻结 VGGT 的中间几何特征作为世界状态，用干净目标预测和两阶段流强制课程学习未来状态，再由原有几何头联合解码，在 KITTI 短期深度预测上达到 0.065 AbsRel，同时完全绕过未来 RGB 生成。
Discrete Noise Inversion for Next-scale Autoregressive Text-based Image Editing: VARIN 为 next-scale 视觉自回归模型构造带可控保留偏置的逆噪声，无需训练或测试时优化即可编辑图像，在 PIE-Bench 上将 HART 再生成基线的结构距离从 25.56 降至 11.54，同时提高背景保留和文本一致性。
Exposure Bias Can Alleviate Itself via Directional and Frequency Rectification in Flow Matching: DEFAR 在流匹配训练中模拟单步推理，把模型自身的偏移转化为方向校正和频率补偿信号，在 ImageNet-256 的相近训练耗时比较中，将 SiT-B/4 的有 CFG FID 从 31.64 降至 29.81，而不改变推理模型结构。
LightFusion: A Light-weighted, Double Fusion Framework for Unified Multimodal Understanding and Generation: LightFusion 在保留 Qwen2.5-VL-7B 理解分支和 Wan2.2-TI2V-5B 生成分支的基础上插入逐层多模态注意力，并联合利用源图的 ViT 与 VAE 表示，以约 35B 训练 token 达到提示词改写条件下的 GenEval 0.91 和 ImgEdit-Bench 3.77。
Scientific Image Synthesis: Benchmarking, Methodologies, and Downstream Utility: 本文以 SciGenBench 衡量科学图像是否保留可用于解题的信息，用“理解、规划、代码”式 ImgCoder 对比直接像素生成；Gemini-3-Pro-ImgCoder 在默认评估器下取得 77.87% 的整图逆向验证通过率，合成数据也能改善下游多模态推理。
Target-aware Image Editing via Cycle-consistent Constraints: FlowCycle 将编辑起点的噪声变成逐图优化变量，通过源图到目标图再回到源图的双重一致性约束保留无关内容，在 PIE-Bench 上以更长的编辑时间换得比 FlowAlign 更低的结构距离和更高的 CLIP 分数。
Universal Image Immunization against Diffusion-based Image Editing via Semantic Injection: 针对扩散模型恶意编辑，本文训练一张与图像无关的通用对抗扰动（UAP），通过「注入目标语义 + 抑制源语义」两个损失让扩散模型把被保护图误认成某个目标概念（如把狗看成「Ronaldo」），从而在测试时只需一次加法就能阻断非法编辑，推理开销近乎为零。
Diffusion-SDPO: Safeguarded Direct Preference Optimization for Diffusion Models: Diffusion-SDPO 根据优选与非优选分支的梯度关系，自适应缩放非优选分支的反向梯度，缓解扩散模型 DPO 中“偏好差距变大、两边质量却一起变差”的问题；在论文的 FLUX.1-dev 设置中，GenEval 从基础模型的 0.66 提升至 0.71，而同学习率的普通 DPO 降至 0.23。
Edit in 2D, Verify in 3D: Reinforcement Learning for Multi-view Consistent Scene Editing: RL3DEdit利用GRPO强化学习框架，以VGGT三维基础模型的置信度图和位姿预测作为几何感知奖励信号，无需成对3D编辑数据即可将FLUX-Kontext二维编辑器锚定到三维一致流形上，实现单遍推理的高效多视图一致3D场景编辑。
Learn Once, Edit Anywhere: Visual Direction Transfer for Diffusion Models: ViDiT 提出一种"学一次，到处编"的框架：从少量图像编辑对（before/after）中优化一个连续的潜在方向 d，将该方向注入扩散模型的 CFG 推理过程，实现对任意图像零样本、解耦、强度可控的细粒度属性编辑，无需微调基座模型也无需逐图像优化。
One-Step Flow Policy: Self-Distillation for Fast Visuomotor Policies: OFP 用区间自一致性、自引导正则化和动作热启动，将生成式机器人策略压缩为一次网络求值，在 56 项三维仿真操作任务上达到 71.6% 平均成功率，高于百步 DP3 的 66.4%，且动作块生成耗时从 3225.67 ms 降至 17.58 ms。
QualiTeacher: Quality-Conditioned Pseudo-Labeling for Real-World Image Restoration: QualiTeacher 把教师伪标签的质量分数变成学生网络的控制条件，再用质量排序与裁剪一致性约束输出，使不完美监督支持可控的真实图像恢复，在 RTTS 去雾中将 CORUN 配合 Colabator 的 FADE 从 0.824 降至 0.590。
SSDD: Single-Step Diffusion Decoder for Efficient Image Tokenization: SSDD 用卷积与 Transformer 混合的像素空间解码器，在无 GAN 的流匹配训练后将多步教师蒸馏为单步学生，使 ImageNet 256×256、f8c4 设置下的小模型将 KL-VAE 的 rFID 从 0.87 降到 0.46，同时把解码吞吐从 705 提高到 1027 张/秒。
CoCo: Code as CoT for Text-to-Image Preview and Rare Concept Generation: CoCo 让 Bagel 先生成代码并执行成结构草图，再进行草图引导的图像精修，将 StructT2IBench 总体准确率从 4.69% 提高到 73.52%，但现有证据主要覆盖结构化视觉与文字渲染，不能直接等同于普遍的罕见概念生成能力。
Continuous Adversarial Flow Models: CAFM 在判别器的方向导数空间中比较真实与预测速度，以连续时间对抗目标后训练现有流匹配模型，在 ImageNet 256px 上将无引导 SiT / JiT 的 FID 从 8.26 / 7.17 降至 3.63 / 3.57，同时保留原有多步采样方式。
ELT: Elastic Looped Transformers for Visual Generation: ELT 让一组共享 Transformer 层在每个生成步骤内反复计算，并用完整循环输出自蒸馏中间出口，使同一模型能按预算调整循环次数；在等推理计算量下，ImageNet 上以 111M 参数达到 FID 2.0，而对应 MaskGIT-XL 基线需要 446M 参数。
RubricRL: Simple Generalizable Rewards for Text-to-Image Generation: RubricRL 用 GPT-o4-mini 为每条提示词生成十项可检查的视觉标准，以逐项二元评分的均值指导生成模型后训练，配合混合轨迹采样使 Phi3 的 GenEval 总分从 0.7624 提升至 0.8468，并将同一奖励接口迁移到扩散模型。
SimFlow: Simplified and End-to-End Training of Latent Normalizing Flows: SimFlow 将 VAE 后验方差固定为非零常数，让编码器、解码器和潜空间归一化流共同学习适合生成的表示，在 ImageNet 256×256 类别条件生成中以 160 个训练轮次取得 2.15 gFID，加入 REPA-E 后达到 1.91。
The Telephone Game: Evaluating Semantic Drift in Unified Models: 本文用交替执行图像理解与图像生成的“传话游戏”评测统一模型，以嵌入语义保持和对象约束保持两类指标揭示单次评测遗漏的累积错误，其中 BAGEL 在七个系统的全量比较中取得最高的 MCDavg（0.4414）和 MGG（78.2）。
Think in Strokes, Not Pixels: Process-Driven Image Generation via Interleaved Reasoning: STIR 用场景图构造渐进绘图轨迹，并通过文字冲突与图文不对齐两类批评监督，让 BAGEL-7B 学会交替计划、绘制、检查和修正，将 GenEval 总分从 0.79 提升到 0.83、WISE 从 0.70 提升到 0.76。
WeEdit: A Dataset, Benchmark and Glyph-Guided Framework for Text-centric Image Editing: WeEdit 将可控的文字编辑数据、视觉语言模型规划的字形图和两阶段后训练结合，使 Qwen-Image-Edit-2509 在双语基准上的整体指令遵循得分从 3.49 提高到 7.47，但复杂推理编辑仍明显落后于一般文字操作。
AccelAes: Accelerating Diffusion Transformers for Training-Free Aesthetic-Enhanced Image Generation: AccelAes 从提示词中的美学语义及交叉注意力定位值得精细更新的区域，结合局部稀疏计算、空间 CFG 和跨步预测缓存，在不训练模型的情况下将 Lumina-Next 的单图耗时从 12.37 秒降至 5.86 秒，同时将 ImageReward 从 0.7518 提高到 0.8410。
Curvature-Adaptive Consistency Flow Matching: Autonomous Trajectory Optimization via Reinforcement Learning: CACFM 将一致性蒸馏重新建模为动态决策过程，用轻量 RL agent 自动探测 PF-ODE 轨迹上的高曲率瓶颈段并优先训练，结合 Flow 适配的 DMD 和对抗一致性损失，在 FLUX 和 SDXL 上以 4 步推理达到 SOTA，FID 比 FLUX-schnell 低 2 个点以上。
Early Estimation of Language to Latent Alignment in Diffusion Models: NoisyCLIP 用中等噪声的扩散中间状态微调双塔模型的视觉编码器，使其能提前判断候选图像与提示词的匹配程度，在 Best-of-6 实验中将累计去噪预算从 300 步降到 150 步，并将相对完整生成 CLIP 基线的 VQAScore 损失控制在论文所述约 2%。
EditHF-1M: A Million-Scale Rich Human Preference Feedback for Image Editing: EditHF-1M 用 1.01M 张编辑图像上的三维人工排序和评分训练统一评估器 EditHF，再以其筛选偏好对优化 Qwen-Image-Edit，使后者在本数据集上的人工综合评分从 75.39 提升至 84.26。
Few-Shot Synthetic Image Attribution: Identifying Unseen Generators with Limited Samples: 本文定义了一个全新的「少样本合成图像溯源」任务——用每类仅 10 张参考图就能识别训练时未见过的图像生成器，并构建了含 45 个独立生成器（无 PEFT 变体）的 OmniFake 数据集和双路径对比学习基线 OmniDFA，在溯源与检测上均显著超越前人。
Finite Difference Flow Optimization for RL Post-Training of Text-to-Image Models: FDFO 用共享初始噪声的两条随机生成轨迹构造奖励加权的终点差分，统一指导沿途速度更新，在 Stable Diffusion 3.5 Medium 上把 OneIG-Bench 提示对齐最高分从 Flow-GRPO 的 79.56 提升至 84.25，并显著加快达到指定奖励水平的速度。
GRAN-TED: Generating Robust, Aligned, and Nuanced Text Embedding for Diffusion Models: GRAN-TED 用 TED-6K 文本侧评测筛选编码器，再通过视觉语义微调及“先学习、后冻结”的分层特征加权改进 Qwen3-VL-8B，使文生图和文生视频的 GenAI-Bench 得分相对原始 Norm-Avg 基线分别提高 1.24 和 2.39。
Personalized Reward Modeling for Text-to-Image Generation: PIGReward 先解释用户过去的图像选择，再据此生成个性化评价维度并逐维比较新图像，在 PIGBench 上取得 85.85% 的 acc w/o tie，还把该偏好信号用于提示词优化。
PixelU: A U-Shaped Transformer for Efficient End-to-End Pixel Diffusion: PixelU 在直接预测干净图像的像素扩散中，用浅深层跳连保留空间细节、用单级恒通道下采样集中建模全局语义，在 ImageNet 256×256 上以 136.9 GFLOPs 达到 FID 1.63，相比 JiT-G 的 383 GFLOPs 与 FID 1.82 改善了质量和计算量的折中。
REGLUE Your Latents with Global and Local Semantics for Entangled Diffusion: REGLUE 用轻量卷积压缩器保留多层视觉特征的空间语义，再将其与 VAE 潜变量、全局 token 联合扩散，在 ImageNet 256×256、SiT-B/2、400K 步且无 CFG 时将 FID 从 33.0 降至 12.9。
Representation Alignment for Just Image Transformers is not Easier than You Think: PixelREPA 针对 REPA 在高分辨率像素空间扩散中损害细节多样性的问题，仅在训练对齐分支加入部分 token 掩码与浅层 Transformer，将 ImageNet 256×256 上 JiT-B/16 的 FID 从 3.66 降至 3.17，并报告按训练轮数衡量的超过 2 倍收敛加速。
SONIC: Spectral Optimization of Noise for Inpainting with Consistency: SONIC 提出一种免训练的扩散模型图像修复方法，核心思想是优化初始噪声样本使其经过去噪后能忠实重建未遮挡区域，通过去噪轨迹线性化绕过昂贵的反向传播，并在频谱域中用 Adam 做预条件优化以实现稳定收敛，在三个标准修复数据集上全面超越现有方法（包括需要专门训练的 BrushNet）。
Spanning the Visual Analogy Space with a Weight Basis of LoRAs: LoRWeB 用一组可学习的 LoRA 基（basis）替代单 LoRA 做视觉类比编辑：一个轻量 CLIP 编码器根据输入类比样本对动态计算 attention 权重，将 N 个基 LoRA 加权组合成任务专属的混合 LoRA 注入 Flux.1-Kontext，在推理仅比单 LoRA 慢 3% 的前提下实现了对未见变换类型的显著泛化提升。
SparkVSR: Interactive Video Super-Resolution via Sparse Keyframe Propagation: SparkVSR 让用户先修好少量关键帧，再以低分辨率视频为运动约束传播这些视觉先验，在 MovieLQ 上用 PiSA-SR 参考取得 MUSIQ 68.88、DOVER 0.6212，同时允许通过参考引导强度选择更忠实或更具生成细节的结果。
Training-Free Refinement of Flow Matching with Divergence-based Sampling: Flow Divergence Sampler（FDS）在每次选定的求解器步之前，用速度场散度从原状态与随机邻居中选择局部速度冲突更小的状态，无需重新训练，并在 ImageNet 的 JiT-L/16 + Heun 上将 FID 从 2.713 降至 2.496，优于耗时匹配的加步数基线 2.886。
λSplit: Self-Supervised Content-Aware Spectral Unmixing for Fluorescence Microscopy: λSplit 用层次 VAE 学习细胞结构先验，再将预测的荧光团浓度图通过已知光谱重新混合，以观测重建实现无需解混真值的训练；在 CellAtlas 的 5 ms、32 波段模拟实验中，PSNR 达到 34.03 dB，而该设置下最强对照 RLU 为 28.91 dB。
Autoregressive Image Generation Needs Only a Few Lines of Cached Tokens: LineAR 在图像每生成一行后，用该行查询判断哪些历史视觉 token 对下一行不重要，同时保护初始锚点与最近行，在仅保留 1/6 视觉缓存预算时将 LlamaGen-XL 的 ImageNet FID 从 2.77 降至 2.68、Janus-Pro-1B 的 COCO FID 从 23.85 降至 22.86，无需重新训练模型。
A²-Edit: Precise Reference-Guided Image Editing of Arbitrary Objects and Ambiguous Masks: A²-Edit在FLUX.1 Fill上用联合注意力与FFN的LoRA专家、由精细分割逐步放宽到包围框的训练课程，以及500,104个跨类别训练样本，让参考物体编辑在粗掩码下仍保持较好的身份和结构一致性，UniEdit粗掩码DINO-I从Insert Anything的56.13提高到62.28。
CGCE: Classifier-Guided Concept Erasure in Generative Models: CGCE 把概念擦除放在生成器之前：学习一个概念条件分类器，仅对被检出的文本嵌入做加权梯度修正，在不改生成器权重的情况下，将 SD-v1.4 上 MMAD 的攻击成功率从 63.60% 降至 1.90%，并保留接近原模型的通用生成效用。
DreamLite: A Lightweight On-Device Unified Model for Image Generation and Editing: DreamLite 用空间拼接和任务渐进训练让同一个 0.39B 去噪主干兼顾生成与编辑，完整模型取得 GenEval 0.72、ImgEdit 4.11，蒸馏后的 4 步版本则以一定质量损失换取 iPhone 17 Pro 上约 2.7 秒生成、约 3.0 秒编辑的部署速度。
From Sparse to Dense: Multi-View GRPO for Flow Models via Augmented Condition Space: MV-GRPO把同组生成图像放到多个语义相近的文本条件下重新比较，并复用原有去噪轨迹更新flow模型，在Flux.1-dev的HPS-v3单奖励设置下将HPS-v3从Flow-GRPO的0.147提高到0.155，但不意味着所有文本对齐指标同步改善。
Layout-Conditioned Autoregressive Text-to-Image Generation via Structured Masking: SMARLI 提出结构化掩码策略，通过显式控制自回归 Transformer 中文本提示词、布局和图像三类 token 之间的注意力交互，在无需修改模型架构的前提下实现 AR 模型的布局可控图像生成；并首次将 GRPO 后训练引入 AR 布局到图像生成，设计包含 VQA、mIoU、precision 的复合布局奖励，在 LayoutSAM-Eval 和 OverLayBench 上以 1.3B 参数超越多数扩散模型 SOTA。
OpenSubject: Leveraging Video-Derived Identity and Diversity Priors for Subject-driven Image Generation and Manipulation: OpenSubject 把视频当作主体驱动建模的监督来源——用跨帧类别共识加 DINOv2 最大距离配对，从真实视频里挖出身份一致而外观多样的帧对，再用掩码引导的 outpainting / inpainting 只合成"难输入"、把真帧始终留作目标，得到 2.5M 样本（4.35M 图像）的语料与覆盖生成/操控四个子任务的 OSBench 基准；用它微调 OmniGen2 与 Qwen-Image-Edit-2509，平均分分别提升 +0.60 与 +1.23。
TexTailor: Inference-Time Textual Guidance Tailoring for Multimodal Diffusion Transformers: TexTailor 先用「移除 / 屏蔽 / 增强」三种操作逐块探测 SD3.5、FLUX、Qwen-Image 这类 MMDiT 模型中每个块对文本条件的依赖，据此挑出一段「高信号块区间」，推理时只在这 4–5 个块上对文本隐状态做掩码式放大（默认 \(\lambda=1.5\)），在完全免训练的设定下把 SD3.5 的 T2I-CompBench Color/Shape 分别提升约 8%/12%、GenEval 整体从 66.42% 提到 71.63%，同一套块信号还能复用到精确编辑与跳块加速。
To Erase, or Not to Erase: Robust Training-Free Concept Erasure with Preservation aware Adaptive Ranked Subspace Expansion: PARSE 把「该擦什么、该留什么」从人工/LLM 静态概念集改成对扩散模型自身的一次检索——用无分类器引导（CFG）的引导场在冻结文本词表上排序出擦除/保留概念库，再以「擦除基先对保留基正交化」的闭式值空间投影和文本反演触发的子空间自适应扩张做免训练编辑，在 SD 1.4 的 NSFW、艺术风格、物体三类擦除上同时拿到最低 ASR 与几乎无损的 FID/CLIP。
Vision Bridge Transformer at Scale: ViBT 将条件生成从“噪声到目标”改为“源数据到目标”的布朗桥传输，用稳定化速度匹配支持大模型适配，在 20B 图像编辑实验中以 ImgEdit 平均分从 3.90 降至 3.76 为代价，报告 2.3 倍推理加速。
Affordance-Guided Diffusion Prior for 3D Hand Reconstruction: AffHandGen 将“物体怎样被抓握、用于什么动作”的细粒度描述与图像特征共同注入手部姿态扩散先验，在保留可见关节二维证据的同时修正遮挡关节，使 WiLoR 在 HOGraspNet 高遮挡子集上的 PA-MPJPE 从 12.41 降至 9.37 mm。
Be Tangential to Manifold: Discovering Riemannian Metric for Diffusion Models: 本文把预训练扩散模型的分数函数雅可比转化为无需额外训练的黎曼度量，让插值和引导更倾向沿数据流形运动，在 Animal Faces-HQ 插值上将 GeoDiff 的 FID 从 25.80 降至 21.01，并在 CFG 强度 12.5 时将生成 FID 从 17.28 降至 16.04。
Cheers: Decoupling Patch Details from Semantic Representations Enables Unified Multimodal Comprehension and Generation: Cheers 让共享语言主干处理压缩后的视觉语义，再由级联流匹配头按生成进度注入图块细节，以 1.5B 语言主干和 83M 训练样本取得 GenEval 0.78，同时保留有竞争力的图像理解能力。
ConceptWeaver: Weaving Disentangled Concepts with Flow: 本文先用一种差分探测技术测出 Flow 模型的概念生成遵循「Blueprint—Instantiation—Refinement」三阶段、内容概念只在中间阶段强度与空间定位同时达峰并自然解耦，据此提出 ConceptWeaver：用轻量语义偏移模块从单张参考图学出概念专属偏移、且只在峰值阶段优化，推理时以 CWG 按阶段注入并按概念加权，在单/多概念图像生成上全面超过 TokenVerse、MS-Diffusion 与 DreamBooth（多概念 S5.5GPT 4.14 对 3.08/2.98/2.47）。
Contrastive Conditional–Unconditional Alignment for Long-tailed Diffusion Model: 针对长尾数据下类别条件扩散模型尾部类模式坍缩的问题，本文不改网络结构、不增加推理开销，只在训练目标上加两项互补正则——用「只有负样本」的无监督对比损失把无条件分支的中间隐表征互相推开，再把条件与无条件分支的去噪预测在大时间步（去噪初始阶段）对齐，从而把头部类的数据红利隐式传给尾部类，在 ImageNet-LT 256×256 上把 FID 从 19.9 降到 15.1、尾部 FID 从 33.9 降到 22.5。
DAPS++: Rethinking Diffusion Inverse Problems with Decoupled Posterior Annealing: DAPS++ 用梯度比与梯度内积两项实证指出"扩散先验在逆问题求解中实际只是热启动器"，据此把扩散初始化与似然驱动的朗之万精修彻底拆成两个互不调用对方的阶段，在 FFHQ / ImageNet 的超分、修复、去模糊与 HDR 任务上以约 1/10 ~ 1/20 的 NFE 达到与 DAPS-1K 相当或更好的重建质量。
Direct Diffusion Score Preference Optimization via Stepwise Contrastive Policy-Pair Supervision: DDSPO 用获胜与失败去噪策略的预测替代由最终图像诱导的偏好监督目标，在同一合成偏好数据下将 SD-1.4 的 GenEval 从 D-DPO 的 0.4841 提高至 0.5045，同时支持不使用人工偏好标注的策略对构造。
DSH-Bench: A Difficulty- and Scenario-Aware Benchmark with Hierarchical Subject Taxonomy for Subject-Driven Text-to-Image Generation: DSH-Bench 用三级层级 taxonomy 采出 58 类 459 个主体、按"主体难度三档 × prompt 六场景"双轴切分并配 5,508 条 prompt，再用蒸馏自 GPT-4o 标注的 SICS 指标评主体一致性，从而把主体驱动 T2I 的评测从"一个总分"变成可分维度、分难度、分场景的诊断报告；在 19 个模型上的实测显示没有任何方法在所有类别上都稳，且所有方法在 hard 主体上都明显掉点。
Glance: Accelerating Diffusion Models with 1 Sample: Glance 冻结预训练图像生成器，仅用一个图文样本训练负责早期语义与后期细节的两个 LoRA，以非均匀减步实现论文所称的五倍加速，但文字渲染并未无损保留。
Locality-Aware Continual Unlearning for Diffusion Models: 本文把单步概念遗忘方法在连续遗忘 3–5 个概念后必然崩溃的原因归结为「映射目标太粗、语义近邻无人保护、用文本空间相似度做代理」，提出 LACU：用扩散模型自身的分数预测距离做统一度量，为每个遗忘 prompt 单独挑最近的安全映射目标、并只回放遗忘概念在模型表示空间中的近邻，配合教师-学生蒸馏与 ℓ2 参数正则，在 SD v1.5 上把 10 步连续遗忘的遗忘准确率维持在 0.90，同时把相关保留从基线的 0.34–0.62 抬到 0.72。
Momentum Guidance: Plug-and-Play Guidance for Flow Models: 本文提出 Momentum Guidance（MG）：把采样轨迹上过去若干步模型速度的指数滑动平均当作一条“更平滑的参考分支”，每一步把当前速度向远离它的方向外推，从而在不增加任何网络评估次数、不需要辅助模型或无条件分支的前提下，为流模型带来与 CFG 同类的锐化效果，并且可以与 CFG 直接叠加。
Multi-dimensional Preference Alignment by Conditioning Reward Itself: MCDPO 将各奖励维度的胜负关系注入同一个扩散模型，使冲突图像对也能提供方向明确的偏好监督，并支持推理时按维度控制生成；在 PickV2 上，SD1.5 的六指标平均胜率由 Diffusion-DPO 的 66.74% 提升至 81.47%。
OrthoEraser: Coupled-Neuron Orthogonal Projection for Concept Erasure: OrthoEraser 先定位敏感特征及其牵连的正常特征，再仅减去与保护子空间正交的敏感方向，使 SD1.4 在 I2P 上的 NudeNet 检测总数从 646 降至 5，同时在 COCO 提示上保持接近原模型的图文对齐与输出分布。
A Scalable Vector Graphics Latent Space: SLS 将一条包含几何与样式信息的 SVG 路径压成一个可解码的稠密向量，在保持较好重建质量的同时，把下游图像描述的平均输入长度从 2432.02 个 XML token 缩减为 15.56 个路径向量；它主要贡献的是矢量图形的表示接口，而非新的文本生成 SVG 系统。
ActionParty: Multi-Subject Action Binding in Generative Video Games: ActionParty 在同一幅游戏画面中联合预测视频与每个角色的坐标，用注意力隔离动作归属、用空间 RoPE 对齐角色位置，在 Melting Pot 的 46 个二维游戏、最多 7 名玩家的设置下，将移动准确率从 Text-Action 的 0.158 提升至 0.779。
ARGENT: Adaptive Hierarchical Image-Text Representations: ARGENT 在 HyCoCLIP 双曲双编码器中以自适应角度蕴含损失和范数正则替代不稳定的锥孔径约束，并重新设计层级评估 PEP，使 Large 模型相对 HyCoCLIP-L 的 ImageNet 准确率提升 1.7 个百分点、PEP AUC 提升 1.5 个百分点，但收益并非覆盖所有尺度和指标。
Correlation-Weighted Multi-Reward Optimization for Compositional Generation: 针对多概念组合生成中「朴素聚合多个概念奖励会让容易满足的概念主导优化、真正冲突的概念被稀释」这一瓶颈，CMO 在同一 prompt 的样本组内计算概念奖励之间的 Pearson 相关矩阵，用「该概念与其他概念的平均相关」估计它的生成难度，再用 \(\text{softmax}(1-\alpha)\) 给冲突概念加权，接在 MixGRPO + GDPO 的强化学习配方上微调 SD3.5 与 FLUX.1-dev，在 ConceptMix、GenEval 2、T2I-CompBench 三个组合生成基准上取得一致性提升。
Ctrl-Z Sampling: Scaling Diffusion Sampling with Controlled Random Zigzag Explorations: Ctrl-Z Sampling 在扩散生成的奖励分数停滞时随机回退到更高噪声状态，并逐步加深搜索，以较少的去噪器调用获得接近或超过固定深度搜索的生成质量，但并非所有指标都占优。
Decoupled Illumination Priors for Spatially Controllable Multi-View Indoor Scene Relighting: Lume-Palette 将真实照片中学到的四方向光照外观与粗几何提供的空间光照分布分开建模，再用共享潜变量状态协调多视角生成，在所测合成场景上达到 24.453 dB PSNR 和 0.0090 MV MSE。
Decoupling Complexity from Scale in Latent Diffusion Model: DCS-LDM 让潜变量层数控制内容细节、让解码器单独控制输出尺度，并通过因果层级和异步去噪支持从草稿到细节的渐进生成，在 512px 单层配置下将表 4 的端到端延迟从 DiT 的 6743ms 降至 1943ms，但付出更高解码显存成本。
DeltaDeno: Zero-Shot Anomaly Generation via Delta-Denoising Attribution: DeltaDeno 用正常与异常提示驱动两条同步扩散轨迹，将去噪后的潜变量差异累积成缺陷定位图，再用该图约束局部生成，在不微调生成器、不使用真实异常样本的条件下，将 MVTec AD 下游图像级 AUROC 从 AnomalyAny 的 77.6 提升至 84.7。
Entropy-Controlled Flow Matching: ECFM（Entropy-Controlled Flow Matching）在标准 flow matching 目标上增加了一个熵率约束 \(\frac{d}{dt}\mathcal{H}(\mu_t) \geq -\lambda\)，从理论上证明了该约束等价于 Schrödinger Bridge，能提供可证明的模式覆盖保证（mode-coverage certificates），并在 \(\lambda \to 0\) 时 \(\Gamma\)-收敛到经典最优传输。这是 flow matching 方向一篇纯理论论文，建立了约束变分原理与熵控传输的数学基础。
EruDiff: Refactoring Knowledge in Diffusion Models for Advanced Text-to-Image Synthesis: EruDiff 把隐式提示的生成分布对齐到显式提示的参考分布，再用错误生成样本纠偏，使 FLUX.1-dev 在 WISE 上的总体 WiScore 从 0.50 提升到 0.64，同时不需要在推理时额外调用提示改写器。
FED-Bench: A Cross-Granular Benchmark for Disentangled Evaluation of Facial Expression Editing: FED-Bench 用一条"生成候选 → 三极性表情验证 → 双锚保真度排序 → 人工复核定稿"的级联管线造出 747 组（源图 / 编辑指令 / GT）三元组，并提出把评测拆成保真、对齐、相对表情增益三个正交维度、以乘积聚合的 FED-Score，在 18 个编辑模型上同时压住了"直接复制源图"的懒惰编辑与"夸张扭曲"的过拟合编辑。
Flash-BoN: Instant Drafts for Inference-Time Scaling in Diffusion Models: Flash-BoN 把生成预算用于大量廉价草稿，再以多阶段比较选出一个候选并恢复完整计算续算，在真实耗时评估下优于完整生成的 Best-of-N，例如 Wan 14B 的 GenAI-Bench 归一化 AUC 从 0.60 提升至 0.68。
GenLCA: 3D Diffusion for Full-Body Avatars from In-the-Wild Videos: GenLCA 将真实视频编码成结构化 3D 高斯令牌，只用可见区域监督扩散模型，在百万级身份数据上学习可由文本和图像控制的全身数字人，兼顾生成质量、编辑能力与面部和身体动画。
GeoEdit: Geometry-Aware Object Editing via Dual-Branch Denoising: GeoEdit 用一条免训练的「抬升-操纵-渲染-去噪」流水线，先把单张照片解耦重建到 3D、按用户指定的 3D 变换（平移/旋转/缩放）渲染出一张几何对齐的粗代理图，再用「双分支去噪」在去噪窗口内以方差齐性的方式把 3D 约束只注入前景、让背景自由生成，从而在遵守透视/遮挡等物理约束的同时兼顾前景刚性与背景真实感。
GIDE: Unlocking Diffusion LLMs for Precise Training-Free Image Editing: GIDE 首次为扩散大语言模型（DLLM）设计了离散 token 空间上的噪声反演机制，把图像编辑拆成「定位—反演—精修」三段，在完全免训练的前提下实现点/框/文本三种指令形式的精确局部编辑，并配套提出 805 例的 GIDE-Bench 基准。
Histogram-constrained Image Generation: 本文提出 HIG，在扩散模型采样过程中利用最优传输（OT）将中间预测显式变换为与目标直方图精确匹配的分布，从而在直方图粒度实现精确、可解释、训练无关的可控生成，并拓展到高容量信息嵌入和隐空间直方图匹配。
HorizonRelight: Relighting Long-horizon Videos Consistently via Diffusion Transformers: 本文把长时程视频重光照从「每块独立的短片段生成」重构成「重光照目标域潜状态的逐块接力」：训练时用任意时间掩码让模型学会从残缺的目标域上下文里把剩下的帧续写出来，推理时把上一块预测的尾部潜帧当作下一块的锚点，再用外部可控生成模型产出的重光照首帧做热启动，从而把分块推理的块边界接缝与跨块外观漂移大幅压下去。
MIMFlow: Integrating Masked Image Modeling with Normalizing Flows for End-to-End Image Generation: MIMFlow 提出一种端到端框架，通过在 VAE 编码器中对掩码图像使用可学习 Token 瓶颈提取语义潜在表示，让归一化流专注于低频语义流形建模、解码器负责高频纹理合成，在 ImageNet 256x256 上用仅 128 个 token（比标准模型少 50%）达到 FID 2.50 和 71.3% 线性探测准确率。
OmniColor: A Unified Framework for Multi-modal Lineart Colorization: OmniColor 根据条件是否需要像素对应来选择编码方式，用密集特征监督守住线稿边界、用历史去冗余和语义门控整合多种参考，在支持逐帧上色的同时，将 L+T+H 消融基线的单样本推理时间从 452 秒降至完整模型的 152 秒。
PhyEditBench: A Real-World Multi-Stage Benchmark for Physics-Aware Image Editing: PhyEditBench 是首个专门评估指令式图像编辑模型物理推理能力的基准，包含 4 大类 12 子类的真实世界物理场景和反物理实例；同时提出训练无关的 PhyWorld 方法，将视频生成模型作为物理推理引擎，配合测试时扩展与 latent 压缩策略，在 5B 参数下超越多数开源编辑模型。
PIPBench: A Profile-Inclusive Framework for Personalized Image Generation Evaluation: PIPBench 将心理与生活画像纳入偏好数据构建和评测，以 1,369 个测试样例比较个性化图像生成方法，发现强 VLM 的文本条件融合优于所测直接参考图方案，但偏好对齐仍会牺牲指令忠实度。
Scaling Multi-Reference Image Generation with Dynamic Reward Optimization: 本文先提出覆盖 5 类参考图、单样本 2–7 张参考图的 OmniRef-Bench，暴露出开源模型随混合类型参考图数量增加而急剧掉点这一失效模式，再用「SFT 冷启动 + 在 Flow-GRPO 上叠加 DRS（拉开组内奖励差距）与 DAR（按组均奖励给难样本反比加权）」的两阶段框架 DyRef，把开源骨干在复杂多参考生成上拉到与闭源 Nano Banana Pro 相当的水平。
Self-transcendence: Is External Feature Guidance Indispensable for Accelerating Diffusion Transformer Training?: Self-Transcendence 先用干净 VAE 潜变量培养内部教师，再通过特征级无分类器引导增强其语义，用冻结教师指导从头训练的扩散模型；在不使用采样 CFG 的 ImageNet 256 实验中，SiT-XL/2 训练 80 epoch 的 FID 从 17.63 降到 7.51，教师预热成本另计。
Solving Diffusion Inverse Problems with Restart Posterior Sampling: RePS 把无条件扩散采样里的「重启采样」（分段积分 ODE + 周期性大加噪抹掉累计近似误差）推广到后验推断：每一轮用若干步测量条件 ODE 把样本推到干净区，每步只在 \(x_0\) 空间解一个 MAP 子问题（因此完全不反传 score 网络），再用前向扩散把样本加噪回一个退火下降的重启噪声级重开一轮，在 FFHQ/ImageNet 的 5 个线性与 3 个非线性逆问题上取得比 DAPS、DPS、DDRM、DDNM、DiffPIR 等更强的综合表现。
Symbiotic-MoE: Unlocking the Synergy between Generation and Understanding: Symbiotic-MoE 在原生 MoE Transformer 架构内通过模态感知专家解耦与渐进式训练策略，在零参数开销下解决了生成与理解任务的梯度冲突，实现两类能力协同提升——生成质量优于 MoT/Bagel，而理解能力（MMLU +20.1%、OCRBench +13.8%）甚至超过了仅做理解任务的基线。
Text-Conditioned Background Generation for Editable Multi-Layer Documents: 把一份多页文档当成「文本 / 图 / 背景」三层可分离的结构，用一个免训练的框架只重新生成背景层：在扩散潜空间对前景区域做软性衰减以护住文字，用一套对比度驱动的算法自动给文字加半透明底衬保证可读性，再用递归摘要-指令记忆把主题风格贯穿全篇，最终在可读性（WCAG 99.75% / OCR 0.97）和用户偏好（83.57%）上大幅甩开 BAGEL 和 GPT-5。
Trajectory Forcing: Structure-First Generation with Controllable Semantic Trajectories: Trajectory Forcing（TF）把扩散/流模型里那条不可见的去噪轨迹改写成一条显式的语义粗到细路径（物体/背景 → 部件 → 子部件 → 细节），每一层都用共享的 RAE 解码器渲染成可看的图、可以在中途编辑后让模型接着往下生成，且每层只花一次网络评估（L=4 NFE）；在 ImageNet 256×256 类条件生成上训练 80 epoch 即达到 FID 1.98 / IS 261.6。
UniTranslator: A Unified Multi-modal Framework for End-to-end In-Image Machine Translation: UniTranslator 提出统一多模态框架解决图像内机器翻译（IIMT），用理解-生成对齐模块（UGAM）在表示层面缓解翻意预测与视觉渲染之间的监督冲突，并用空间掩码解码器（SMD）提供像素级文字区域定位，在 Translatotron-V、IIMT30k、PRIM 三个基准上均取得 SOTA。
Video Generative Models as Geometry Learner: GeoNeXt 把单张 RGB 图像的深度和法线当作视频模型的后续“帧”，同步重建图像与几何，仅用 59K 合成训练样本便在 KITTI 上将统一生成基线 GeoWizard 的深度 AbsRel 从 14.4 降至 8.2，但并非所有指标都优于专用模型。
VTEdit-Bench: A Comprehensive Benchmark for Multi-Reference Image Editing Models in Virtual Try-On: VTEdit-Bench 提出了首个系统评估通用多参考图像编辑模型在虚拟试衣场景中表现的基准，包含 24,220 个测试对、5 个复杂度递增的任务，并配套 VTEdit-QA（基于 GPT-4o 的参考感知评估器）实现细粒度自动评价，实验表明通用编辑模型在经典试衣任务上与专用模型持平，在复杂场景下泛化更稳定，但在多衣物组合控制上仍有明显差距。
Accelerated Likelihood Maximization for Diffusion-based Versatile Content Generation: ALM 提出一种完全无需额外训练的扩散模型采样策略，在逆扩散过程中对未观测区域进行显式似然最大化优化，并利用「相邻迭代更新近似相等」的性质将 N 轮迭代坍缩为单次更新，在图像补全/外扩、人体动作补全、3D 纹理生成和长视频生成等多模态任务上以零训练成本大幅超越此前最先进方法。
Accelerating Diffusion Transformers with Gaussian Process Rectified Feature Cache: GP-Refiner 把加速轨迹上的完整计算特征视为带噪观测，用在线高斯过程校正缓存预测，并按后验不确定性决定是否重新计算；在 Qwen-Image 上，相比 TaylorSeer 的固定间隔配置，在降低计算量的同时将 PSNR 从 28.58 提高到 29.48。
Advancing WordArt-Oriented Scene Text Recognition: Datasets and Methods: 本文从数据和模型两个维度系统推进艺术字场景文本识别（WATER）：数据侧构建了 2M 规模的合成艺术字数据集 WATER-S（渲染子集 WATER-T + 生成模型子集 WATER-Z），模型侧提出支持任意形状输入 + 自回归解码的 WATERec，首次在 WordArt-Bench 上突破 90% 准确率（90.40%），显著超越通用 VLM 和 OCR 专用 VLM。
Allo{SR}2: Rectifying One-Step Super-Resolution to Stay Real via Allomorphic Generative Flows: AlloSR2 将低分辨率潜变量接入预训练生成流的中间时刻，以 FATC 拉直局部超分轨迹、以 ATM 对齐共享参数的生成轨迹，在一次速度预测下实现四倍超分辨率，改善多项真实感指标，但不追求最高像素保真度。
Anchoring and Steering Diffusion: Enhancing the Faithfulness of Text-to-Image Generation at Inference Time: AnchorSteer 在不训练模型权重的前提下，用 CLIP 先验与冻结扩散模型共同优化初始化，再在去噪途中诊断、擦除和补全语义错误，使 SDXL 的 GenEval 总分由 55.933 提升到 63.393，代价是显著增加推理计算。
Anchoring on Reality: Breaking the Pseudo-Target Ceiling in Makeup Transfer: 提出ART双阶段DiT框架，通过可微分现实锚定循环——从裸肤参考重建真实参考让梯度回传惩罚遗漏——突破伪目标天花板，在2K分辨率下实现密集贴纸、面部彩绘等复杂妆容的高保真迁移。
AnyStyle: A Single LoRA is Sufficient for Image-Guided Style Transfer: AnyStyle 用一个按风格训练的 LoRA 学习外观，再用内容图像的逐时刻 query 调制生成过程，在 400 组内容与风格搭配上获得 32.5573 的 CLIP-T 和 67.9291 的 CLIP-Style，以免训练的内容控制替代第二个 LoRA，但并非所有内容保持指标最优。
ARMS: Anchor–Relational Motion Streaming for Seamless Solo-Social Motion Transitions: ARMS 让一个人的轨迹持续向前生成、另一个人的位置相对前者表达，再用因果分段去噪与关系门控接入或退出交互，在不重启动作流的情况下将单人／交互切换的 PJ 从适配 InterMask 的 3.131 降至 0.077，但并非所有生成质量指标都领先。
Attribute Token Arithmetic: Disentangled and Continuous Semantic Control for Visual Autoregressive Models: ATA 用单张参考图和一对只相差目标属性的提示词，学习并相减两条重建方向，在冻结的 Infinity 文本条件空间中实现可组合的属性强度调节；同骨干对比中，平均 ΔVQA 从 Concept Slider 策略的 0.532 提升至 0.567，平均 I-LPIPS 从 0.879 提升至 0.895。
AVSR-Diff: Scale-Agnostic Diffusion Priors for Temporally Consistent Arbitrary-Scale Video Super-Resolution: 提出 AVSR-Diff，将扩散模型的尺度无关潜在去噪与连续坐标解码解耦，通过 TGFR 模块做跨帧特征对齐抑制 flickering、SAFR 模块做傅里叶域尺度自适应频率调制，在任意尺度 VSR 上首次同时实现强生成质量与稳定时序一致性，且计算开销不随输出分辨率增长。
Beyond Absolute Scores: Relative Edit-induced Difference for Generalizable Image Aesthetic Assessment: RED-Aes 不再直接拟合孤立图像的绝对美学分数，而是从可控编辑产生的相对变化中学习美学因果规律，并在五个零样本跨域基准上以 0.7442/0.7322 的平均 PLCC/SRCC 超过现有专用与通用模型。
Beyond Fixed Luminance: Towards Panchromatic and Orthochromatic Image Colorization: 针对传统 Lab 空间固定亮度通道导致无法调整明度并使历史正色性胶片着色严重失真的缺陷，提出一种基于图像编辑基础模型（FLUX.2-klein）的亮度不可知全 RGB 着色框架，配合混合灰度目标函数，实现了全色性与正色性图像的高保真着色。
Beyond the Black Box: Identifiable Interpretation and Control in Generative Models via Causal Minimality: 本文提出基于因果极小化（Causal Minimality）原理的分层选择因果框架，在理论上证明了连续潜变量生成模型内部表征的逐分量可辨识性（Component-wise Identifiability），并将其转化为扩散模型内部特征的稀疏约束与跨时间步因果图发现，实现了精准可解释的分层概念提取与多层级模型操控。
Beyond Time Shifts: Adapting Omni-LLM as a Reference-Free Evaluator for Generative Audio-Visual Models: 针对音视频生成中真实结构性幻觉导致传统时序偏移指标失效的难题，本文提出首个真实生成缺陷基准 SynthSync，并通过连续隐空间投影与实数群相对策略优化（R-GRPO）将全能大模型改造为高精度无参考连续同步评估器。
BeyondMasks: Evaluating Causal and Physical Consistency in Video Object Removal: 针对传统视频物体擦除仅评估掩码内局部修补而忽视阴影、倒影和动态痕迹等物理次级效应的问题，本文提出首个因果一致性双模态评测基准 BeyondMasks 与基于 VLM 的双维度评估协议 CORE，揭示了高像素保真度与真实因果物理正确性之间的系统性断层。
BiSLW: Bi-Spectral Latent Watermarking for Generative Diffusion Models: 针对扩散模型生成图像版权归属与再生成擦除痛点，BiSLW 通过通道级 2D-DCT 将扩散潜在张量无损解耦为低频语义与高频纹理双频带，利用轻量残差网络与 FiLM 条件调制在 VAE 解码前独立注入对齐身份水印，辅以跨频带一致性约束，在实现 37.40 dB 高保真度与 1 ms 极低开销的同时显著提升对抗扩散再生成与复合图像失真的鲁棒性。
Breaking High Confidence: Practical Face Impersonation under High-Security Thresholds: 针对银行开户与机场安检等高安全场景（FMR = \(10^{-6}\) 或商业 API 置信度阈值 99），本文系统剖析了低查询量黑盒基于分数攻击在度量畸变、子空间投影与模板逆向三阶段的误差瓶颈，提出结合纠正矩阵校准、PCA 正交人脸集以及混合跳跃连接与 AdaIN 的 SPNet 逆向模型，仅需不超过 100 次非自适应查询即可在 AWS Rekognition 置信度 99 门限下实现超过 92% 的假冒攻击成功率。
Bridging Online and Offline Handwriting via Differentiable Physical Rendering: 本文提出了一种六参数紧凑物理笔刷模型与解析可微渲染器，首次打通在线运动轨迹与离线像素外观域，实现了端到端双模态生成以及真实机械臂零样本书法书写。
Bridging Vision and Language Concepts through Optimal Transport Semantic Flow: 针对传统视觉语言概念瓶颈模型依赖全局静态特征与余弦相似度导致的细粒度定位缺失和跨模态几何畸变，OTF-CBM 引入逆最优传输自适应学习跨模态代价函数，结合非平衡最优传输刻画多对一语义匹配与背景抑制，并构建流匹配速度场在无需 ODE 积分的中点处实现瞬时速度概念激活，在分类精度、概念保真度与抗背景分布偏移上均取得 SOTA。
C3-Bench: A Context-Aware Change Captioning Benchmark: C3-Bench 是一个面向上下文感知变化描述任务的综合性基准，包含 4,996 对人类标注图像对（覆盖 4 大领域 51 种真实变化上下文），首次将 LLM-as-Judge 引入变化描述评测体系，并引入可逆性指标；对 32 个模型的测评揭示了传统模型在开放域下全面崩溃、LMM 存在系统性感知/空间/位置偏误等关键盲区。
ColorFM: An Optimization-to-Learning Framework for Color Transfer via Flow Matching: ColorFM 提出“优化到学习”的流匹配双阶架构，先由在线优化分支 ColorFM-O 借助分层颜色耦合与语义先验拟合准线性速度场并生成海量高质量伪监督数据对，再由前馈网络 ColorFM-L 预测双向线性化传输参数，实现兼具高保真语义对齐与 16ms 实时推理的逼真色彩迁移。
Conditional Flow Matching for Visually-Guided Acoustic Highlighting: 将视觉引导的声学高亮任务重构为条件流匹配（CFM）生成式框架，配合监督终态的 Rollout Loss 抑制复合误差累积，并在视觉编码器中引入跨模态音频适配器，实现更精准的视听显著性协同与音轨重平衡。
Consistent Feature Transport for Image Relighting: 将图像重光照重构为光照特征传输问题，提出基于整流流的双传输一致性特征传输（CFT）框架，利用平行四边形法则与同光照跨实例轨迹监督解耦光照变化与主体内容，并在构建的大规模复杂光照肖像数据集上取得 SOTA 表现。
ContextFlow: In-Context Flow Matching for Robot Manipulation: 针对传统自回归上下文模仿学习中动作离散化量化误差与逐 token 预测累积误差的难题，本文提出了基于条件流匹配的连续动作生成模型 ContextFlow，结合 Perceiver 架构的多模态上下文压缩器，在免微调条件下大幅提升了机械臂在未见任务配置下的操作泛化性能。
DeLux: Cross-Modal Local Artifact Restoration in Video Using Neuromorphic Data: DeLux 针对自动驾驶等极端光照场景中 RGB 传感器发生眩光、光斑与局部过曝导致像素彻底饱和丢失的难题，首创跨模态局部伪影修复范式，利用超高动态范围（>140 dB）神经形态事件流重建的结构先验显式解耦伪影检测与多模态局部修复，合成数据集上平均 MS-SSIM 达 0.991，实车测试中伪影严重度降低最高达 88%。
DICT: Data Injection and Contrastive Trajectory Refinement for Conditional Image Generation with Diffusion Models: 针对训练无关条件图像扩散生成中单一标量损失引导导致的信息瓶颈与跨时间步截断误差累积问题，DICT 提出在早期去噪阶段直接注入加噪条件数据并基于去噪先验自适应蒸馏显著线索，同时在相邻去噪状态间构建对比轨迹精炼目标，实现多任务下高保真、结构连贯的条件图像生成。
DiffRGD: An Inference-Time Diffusion Guidance Through Riemannian Gradient Descent: 针对推理时扩散模型引导因破坏潜空间高斯分布导致样本质量退化的问题，DiffRGD 利用各向同性高斯的极分解几何性质构建分布诱导的球面流形，并通过黎曼梯度下降在保持先验分布的前提下实现高质量条件生成。
Diffusion Integrated Gradients: Controllable Path Generation for Flexible Feature Attribution: DiffIG 将积分梯度（IG）中的归因路径生成重铸为条件生成建模问题——用扩散模型学习 Stick-Breaking Process 生成的路径分布，推理时通过忠实度与复杂度双重引导采样，生成自适应的非线性积分路径，在 Oxford-IIIT Pet 和 Mini-ImageNet 上 DiffID 指标大幅超越现有路径归因方法。
Discrete Diffusion Bridges for Spatiotemporally Aligned Image Translation and Generation: 提出离散扩散桥（DDB），通过在空间上将全掩码吸收态重构为源图与掩码的随机混合锚点、在时间上引入信息导向加噪调度以对齐训练与推理难度轨迹，彻底消除了离散扩散模型在图像翻译与生成中的时空错配问题。
DiTailed: Ensuring Visual Object Consistency in Text-Image-to-Image Flow Matching Models: 针对文本引导图像编辑中物体纹理与几何常发生畸变的问题，本文提出基于 3D 资产渲染的 ABO-Edit 基准，并发现整流流（Rectified Flow）模型的条件嵌入层在强噪声阶段已自发编码目标预测，据此设计无额外参数的多尺度辅助损失 FlowMirror，显著提升了编辑一致性与微观保真度。
DiverseVAR: Balancing Diversity and Quality of Next-Scale Visual Autoregressive Models: 针对文本引导视觉自回归模型（VAR）在单提示词下生成多样性严重不足的问题，DiverseVAR 通过在推断期对文本嵌入实施条件退火噪声注入，并结合多尺度自动编码器的 Scale-Travel 尺度回退与精炼机制，无需训练即可实现多样性大幅提升与视觉质量的平衡。
Don't Settle at the Mode! Mitigating Diversity Collapse in Pretrained Flow Models via Feature Self-Guidance: 本文发现预训练流匹配模型（如 FLUX）在相同条件输入下生成多样本时会出现内部 MMDiT 特征坍塌，进而导致输出多样性坍塌；提出一种免训练的推理时特征自引导（Feature Self-Guidance）机制——对 batch 内样本的中间特征做迭代分散后，再通过同一 MMDiT block 重投影回流形，以极小的推理开销显著提升生成多样性，同时保持 prompt 对齐度。
Drift-AR: Single-Step Visual Autoregressive Generation via Anti-Symmetric Drifting: Drift-AR 发掘出连续空间自回归逐位置预测熵能够同时表征投机草稿质量与局部生成难度的双重性质，通过因果归一化熵损失对齐草稿分布并构建熵参数化反对称漂移场，首次以统一步调实现了真正的 1-NFE 视觉解码与 3.8 至 5.5 倍端到端加速。
DTI: Dynamic Trajectory Initialization for Generative Face Video Super-Resolution: DTI 提出一种"动态轨迹初始化"范式，将生成式人脸视频超分从"全生成"重新定义为"输入驱动的定向恢复"——通过判别式引导器（DG）结合 SNR 对齐理论，为每个低质量输入动态确定扩散采样起点，仅需少量微调就在保真度、感知质量和推理效率上全面超越现有方法。
Dual-End Consistency Model: DE-CM 通过从 PF-ODE 整条轨迹中挑选三条关键子轨迹（一致性轨迹 + 瞬时速度轨迹 + 噪声到噪声轨迹）作为优化目标，用流匹配做边界正则化稳定训练，用 N2N 映射缓解误差累积，在 ImageNet 256 上以一步生成达到 FID 1.70 的 SOTA 水平。
Dual-Output Multi-Exposure HDR Reconstruction via SDR Fusion and Gain Map Inverse Tone Mapping: DOME-HDR 提出一种双输出多曝光 HDR 重建框架，将基于 LoRA 扩散模型的 SDR 曝光融合与基于 HDR 先验引导的增益图网络（HPGM）解耦并协同训练，在单一管线内同步生成免色调映射的观赏级 SDR 图像与高保真物理 HDR 辐射度图。
DynEval: Holistic Evaluations of T2I Generative Models in the Wild: 提出无需人工标注训练的动态文生图评测框架 DynEval，通过提示词与模型能力分级配对构建包含 50 万图文对的 GenDB 与 25 万指令的 DynEvalInstruct，利用提示词验证与场景图质量问答双支路微调紧凑型 VLM 评测器，实现文图对齐与感知画质的高人类一致性联合评估。
ELDiff: When Evidential Learning Meets Text-to-Image Diffusion: 针对多物体文本到图像扩散模型中伪标签分割偏置与语义重叠冲突两大痛点，ELDiff 结合证据深度学习（EDL）的不确定性建模与 Dempster-Shafer 证据理论（DST）的冲突量化，在零额外推理延时下显著提升了复杂多物体生成的语义一致性与保真度。
EMAG: Self-Rectifying Diffusion Sampling with Exponential Moving Average Guidance: EMAG 是一种无需额外训练的扩散模型推理引导方法，通过对自注意力图进行指数移动平均平滑与动态层选择构造语义保真且具挑战性的“难负样本”，引导去噪器精准剔除细粒度伪影，在 SD3 上将人类偏好评分提升 +0.54 且能与 APG、CADS 等引导策略无缝正交组合。
EmbodiedVAE: Disentangled Video VAE for Efficient and Controllable Embodied Manipulation: 针对具身操作世界模型中通用视频VAE时空压缩导致机械臂动作语义丢失的瓶颈，EmbodiedVAE通过双编码器非对称压缩将机械臂动作与静态背景解耦，并结合最优传输一致性约束，在0.39%超高压缩率下实现了高保真重建并带来下游动作生成2dB的PSNR提升。
EvoTok: A Unified Image Tokenizer via Residual Latent Evolution for Visual Understanding and Generation: EvoTok 提出了一种基于残差向量量化的潜在演化机制，将图像建模为由浅层像素细节逐步演化至深层语义抽象的单一共享特征轨迹，仅基于 13M 训练数据即在 ImageNet 重建、9 项多模态理解基准及复杂图像生成任务上达到领先水平。
FDM-MFVT: Few-step Sampling Diffusion Model for Mask-Free Virtual Try-On: 针对传统扩散虚拟试衣依赖复杂掩码预处理且采样步数过多（30~50步）导致推理迟缓的瓶颈，FDM-MFVT 提出了服装感知噪声优化模块（OANO）与指令驱动试衣模块（IDT），仅需 6 步采样（0.28秒噪声生成）即可实现无需任何人体掩码的高保真虚拟试衣。
FedOT: Ownership Verification and Leakage Tracing via Watermarks for Federated LDMs: FedOT 提出在联邦潜扩散模型训练中嵌入分块水印并结合潜向量变换（LVT），首次同时实现所有权验证和恶意客户端溯源，即使攻击者替换带水印的 VAE 也无法去除水印而不严重损伤生成质量。
Flow Straight to Reality: Perceptually Consistent Flow Matching for Efficient Image Restoration: PCFlow 将感知一致性引入潜在流匹配框架，通过冲突避免梯度投影与信噪比自适应调度解决结构保真与感知逼真度的多目标冲突，仅需全卷积轻量网络与 3~5 步推理即可实现超越多阶段扩散模型的高质量图像恢复。
Focusing on What Matters: Saliency-Harnessing Accurate Routing for Diffusion MoE: SharpMoE 提出一种即插即用的后训练框架，利用前一步去噪预测的干净潜变量 x̂₀ 替代噪声潜变量作为路由器输入，解决扩散 MoE 中"噪声路由"导致显著性 token 识别失败的核心问题，并辅以轨迹路由损失全局对齐累积计算分配，仅需 100K 步后训练即可显著提升多种已收敛预训练扩散 MoE 模型的生成质量。
From Open Loop to Closed Loop: A Test-Time Iterative Optimization Framework for Reference-Consistent Image Generation: 本文将参考一致的可控图像生成从传统前馈开环系统重新表述为闭环动态跟踪控制问题，利用预训练特征提取器兼作目标编码器与反馈传感器，并通过改进的残差式 PID 控制器在测试时迭代校准隐空间控制信号，实现了零入侵、免训练且多任务通用的参考一致性显著提升。
FUMO: Prior-Modulated Diffusion for Single Image Reflection Removal: FUMO 提出一种先验调制的扩散框架用于单图像反射去除，从混合图像中提取 VLM 驱动的反射强度先验和多尺度高频先验，通过门控机制对 ControlNet 的条件残差注入进行空间自适应调制，再经粗到细两阶段（一步去噪扩散粗恢复 + 细粒度精修模块）在三个标准基准和真实场景中取得有竞争力的量化结果和一致的感知质量提升。
Gen2Balance: Generative Balancing for Long-Tailed Video Action Recognition: Gen2Balance 用文生视频模型（WAN 2.1）为长尾视频动作识别合成尾部类样本，通过 VLM（Gemini 2.5 Pro）驱动的三层提示管线（多样化 + Action Profile 消歧 + In-Context Exemplars 锚定）保证生成视频的多样性和语义正确性，再配合两阶段训练策略（合成+真实数据学特征，纯真实数据校准），在 K100-LT 和 UCF-LT 上分别超越最强长尾基线 7.0% 和 5.1%，在 RareAct 稀有动作上提升 31.9%。
Generalization and Memorization in Rectified Flow: 针对整流流生成模型训练数据记忆机制不明确的问题，本文提出了首个复杂度校准的成员推断攻击统计量，揭示了在标准均匀采样下模型记忆在流积分中点（\(t=0.5\)）严格达到峰值的数学本质，并通过对称指数 U 型时间步采样实现了在不损害图像生成质量前提下的隐私风险抑制。
Generative Action Tell-Tales: Assessing Human Motion in Synthesized Videos: 针对现有纯视觉与多模态大模型评测中外观偏置强、缺乏时序解剖结构感知的问题，本文构建了融合 3D/2D 人体几何与时序动态的一阶导数动作流形，提出了无需基准视频的动作一致性与时序连贯性两项量化指标，在全新构建的 TAG-Bench-v0 评测集上与人类感知的相关性相比最佳大模型提升超 68%。
H-Adapter: Pose-Robust Hairstyle Transfer via Attention-Derived, Source-Aligned Hair Masks: H-Adapter 用一个「区域特定损失」把 IP-Adapter 微调成只在头发区域注入参考发型、在非头发区域保持原样的适配器，训练后的交叉注意力自然分离出头发/非头发，从中导出一张与源头姿态对齐的粗掩码来引导两阶段扩散 inpainting，从而在源图与参考图头姿差异很大时也能把发型放对位置、贴合脸型。
h-Flow: Flexible Flow-based Image Editing via Doob's h-Transform: 针对流匹配模型在图像编辑中源图像保真度与目标文本对齐难以解耦的痛点，本文借助 Doob's h-Transform 建立等价 SDE 桥梁，推导出闭式重建引导与编辑方向，并通过正交速度分解实现结构保真与语义编辑的独立无干涉控制。
HRDiT: Training-Free High-Resolution Image Generation with Off-the-Shelf Diffusion Transformer Models: 针对开箱即用扩散 Transformer（DiT）在免训练生成高分辨率图像时面临的“空间错乱”与“二次方耗时激增”两大核心阻碍，HRDiT 通过操纵 token 索引的“绑定-滑动”空间位置对齐机制恢复位置区分度，并利用单次前向泰勒展开结合整数规划实现头自适应注意力剪枝，在无需任何额外训练的前提下显著提升了 2K、4K 及 8K 图像生成的视觉保真度与合成速度。
Illuminating Unified Multimodal Model for Free-form Interleaved Text-Image Generation: ILLUME-X 提出了一个支持自由形态任意长度图文交错生成的统一多模态模型范式，通过解耦视觉编码、交错注意力掩码与自适应交错 CFG 机制，配合 100K 高保真合成/视频图文数据管线与多维度 ILScore 评估体系，在 ISG-Bench 上以 6.26 分持平复杂多智能体系统并大幅超越现有统一多模态模型。
Importance-Aware Low-Rank Distillation of Diffusion Transformers: 针对大规模扩散 Transformer（DiT）的部署冗余，本文提出 SVDtrunc 框架，通过分布式的分块截断奇异值分解与敏感度自适应秩分配，结合模块化特征知识蒸馏，在保持网络架构完整的前提下实现了大幅参数压缩并大幅超越现有剪枝与结构替换方法。
Improving Image-to-Image Translation via a Rectified Flow Reformulation: 本文提出图像到图像整流流重构（I2I-RFR），通过向现有图像回归主干网络输入拼接含噪目标图像、优化按时间重加权的像素损失并解析导出诱导速度场，在仅扩充输入通道且保留原生训练管线的前提下，将标准判别式回归模型无缝转化为仅需 3 步显式欧拉积分的高保真连续时间传输细化器。
In-context Region-based Drag: Drag Any Region to Any Shape: ICRDrag 将区域拖拽（region-based drag）建模为上下文学习（in-context learning）任务，以源图像、源区域掩码、目标区域掩码作为统一条件输入 DiT，通过图像-掩码注意力一致性（IMAC）和源-目标注意力对应性（STAC）两个新颖的正则化损失引导生成目标图像，并配套构建了 28.7 万样本的 Paired Region Dataset（PRD），在编辑精度、视觉保真度和用户偏好上显著超越已有方法。
Inference-Time Scaling of Diffusion Models via Progressive Seed Pruning: 本文提出渐进式种子剪枝（PSP），通过在去噪早期前置探索大量候选噪声种子、依据中间去噪外推估计值与黑盒奖励进行分阶段剪枝，在固定计算预算下以确定性采样大幅提升扩散与流匹配模型的提示词对齐能力。
InnoText: A Unified Model for Visual Text Generation and Editing: 基于 Flux.1 Fill 扩散 Transformer 架构，通过双联画（Diptych）上下文输入范式、字体尺度感知调制（FSAM）与小字符感知数据增强（SCAA），实现中英文视觉文本生成与局部编辑的高精度统一建模。
InsertAnywhere: Geometrically Grounded and Optics-Aware Video Object Insertion: InsertAnywhere 结合 4D 场景重建、KNN 场景流追踪与基于扩展掩码特征对齐的视频扩散架构，在用户仅需标注单帧 3D 位姿的前提下，精准处理动态遮挡并自然生成超出物体外边缘的真实投影与反光。
InstanceControl: Controllable Complex Image Generation without Instance Labeling: 针对复杂多实例场景下可控图像生成容易出现属性混淆且现有方案极度依赖人工标注实例框或掩码的痛点，InstanceControl 利用视觉语言模型建立文本短语与视觉条件的无标注实例对应，并引入置信度与注意力驱动的自适应掩码精炼机制，在无需推理标注的前提下实现了高精度的细粒度多实例生成。
Intermediate Text Representation Guided Text-to-Image Generation for Enhancing One-and-Only Alignment: 本文通过信息论分析证明文本编码器中间层比最终嵌入保留更多概念互信息，提出 IR-guided diffusion——在去噪早期将中间隐藏状态注入条件信号以恢复被强先验压制的属性，无需训练或外部模型，在 OAO-AttackBench 上 VQAScore 最高提升 19.1 个百分点，同时保持生成质量与人类偏好。
ISAC: Training-Free Instance-to-Semantic Attention Control for Multi-Instance Generation: ISAC 通过层次化、实例优先的免训练注意力控制方法，先利用自注意力在早期去噪步中稳定实例布局，再在已确立的实例区域内绑定额外语义，显著提升扩散模型多实例生成的计数准确率和语义分离度。
Keep-or-Drop? Adaptive Tokenizer for Compact Video Representation: 提出 KATok 自适应视频 VAE，通过 Gumbel-Softmax 与软注意力掩码联合学习动态 token 筛选，并结合级联掩码先验解决稀疏 token 生成中的时空错位，实现高保真度与数倍加速的紧凑视频生成。
LACON: Training Text-to-Image Model from Uncurated Data: LACON 摒弃了先过滤丢弃低质数据的传统范式，将美学、水印、清晰度等 5 维数据质量信号重构为显式连续条件向量，利用高斯加权聚类中心嵌入和全数据训练，让模型显式习得高低质量边界并实现无伪影的高保真可控生成。
LensStyle: Learning the Optical Aesthetics for Controllable Stylized Lens Effect Rendering: 提出首个显式建模镜头光学美学的统一流匹配框架 LensStyle，通过双路控制器解耦连续光学参数与离散镜头风格，无需测试期深度输入即可高保真渲染多边形、折反射甜甜圈、猫眼光斑及小光圈星芒等多样化光学效果。
LoGAN: Multilingual Font Localization with Generative Agents: LoGAN 提出了一种由 VLM 智能体协调的多语言字体本地化框架，将字体跨语言迁移解耦为字形生成、字距与排版迁移、风格微调及纹理扩展等专家模块，成功克服了端到端文生图模型布局混乱与多语言字形幻觉的痼疾，支持覆盖中日韩（CJK）在内的 27 种语言高保真渲染。
Logit Refiner: Improving Visual Autoregressive Models via Intra-Scale Dependency Modeling: 针对视觉自回归模型（VAR）在同尺度内并行独立解码导致的局部空间结构不一致问题，本文提出无需重新训练主干的轻量级 Logit Refiner，仅需在冻结主干特征上串联极浅因果自回归模块即可建模尺度内空间依赖，以不足 5% 的计算开销实现显著生成质量飞跃。
Look But Don't Touch with Sparse Autoencoders for Unlearning in Diffusion Models: 本文系统揭示了在扩散模型中使用稀疏自编码器（SAE）潜在空间进行负向导向（Steering）会引发严重的分布外激活（OOD）并产生大量视觉伪影，据此提出了“只看不动”（Look But Don't Touch）原则与特征补丁替换（PER）框架，仅将 SAE 用作无害的空间概念检测器，通过同特征图安全区域补丁替换实现零伪影、无需超参网格搜索的无损遗忘。
LooseControlVideo: Directorial Video Control using Spatial Blocking: LooseControlVideo 借鉴专业电影视听语言中的空间站位（blocking）理念，将粗粒度定向 3D 包围盒作为稀疏代理并渲染为联合编码朝向与全局深度的 DNOCS 控制图，使基础视频 DiT 能解耦高层调度轨迹与细粒度物体形变，实现精确的 3D 轨迹编排与高质量视频生成及局部运动编辑。
MapDreamer: Aerial Imagery Conditioned Latent Diffusion For Lane Level Map Generation: MapDreamer 将单张航拍图的车道级高精地图生成表述为潜空间扩散过程，借助变分自编码器联合压缩车道几何与拓扑连接，并引入车道基数模块、幽灵车道隐变量及边界交叉注意力，实现了高几何精度与连通一致性的城市级矢量地图合成。
MARché: Fast Masked Autoregressive Image Generation with Cache-Aware Attention: 针对掩码自回归图像生成中每步重复计算全局注意力与前馈网络的严重冗余，提出无需重训的 MARché 框架，通过缓存感知解耦注意力、基于注意力的选择性 KV 刷新及周期校准，在几乎无损生成质量的前提下实现高达 1.79 倍推理加速。
MAVIN: Multi-Shot Audio-Visual Generation with Customized Narrative Control: 针对复杂叙事电影中多镜头音视频联合生成存在的时序错位、多角色外貌音色难以定制以及脚本时序线索匮乏三大瓶颈，MAVIN 提出了结合分层脚本的多智能体编剧管线、边界感知注意力机制与身份感知传播机制，首次实现了具备精准分镜切换、对话起止时间戳控制和多角色音色/外貌一致性的多镜头音画联合生成。
MindFlow: Harmonizing Cognitive Semantics and Acoustic Dynamics for Facial Animation Generation in Dyadic Conversations: MindFlow 受神经科学腹侧-背侧双通路模型启发，将双人对话中的面部动画生成解耦为认知语义理解（Ventral 模块）与反射性运动生成（Dorsal 模块）两条协同通路，通过 Chunk-State 方法从音频块中提取细粒度情感状态并指导流匹配网络生成高保真面部动画。
MirrorPPR: Exemplar-Based Portrait Photo Retouching: MirrorPPR 提出示例引导的人像结构修图任务，通过专用的编辑操作提取器（MAE + R-Former）+ 连接器 + DiT 双流骨干（Qwen-Image-Edit-2511）+ LoRA 适配管线，配合自增强数据策略生成的 4700 万对数据集，首次实现了精细结构修图操作的精准跨身份迁移。
Multi-Modal Controlled Coherent Motion Generation: 针对边走边说等多模态协同控制数据稀缺导致的动作失真难题，MOCO 提出了基于空间解耦的扩散去噪与 LLM 动作时间线规划机制，无需成对对齐数据即可生成高度协调的全身三维数字人动作。
MUSE: Unlocking Timestep as Native Task Steering for One-Step Dense Prediction: MUSE 发现一步扩散模型中原本用于指示噪声水平的原生正弦时间步嵌入可直接充当零额外参数的任务导向开关，通过为不同任务分配离散时间步实现深度估计、法线估计与 RGB 重构在单一参数共享网络中的流形解耦。
NearID: Identity Representation Learning via Near-identity Distractors: 针对视觉基础模型严重将物体身份与背景上下文纠缠、导致个性化生成评估失效的问题，NearID 提出同背景近身份干扰项构建机制与双层分层对比学习目标，仅微调冻结 SigLIP2 骨干上的轻量 MAP 投影头，便在严格边际评测下将样本成功率从 30.74% 跃升至 99.17%，并显著提升人类偏好对齐度。
NoiseTilt: Noise-Tilted Reverse Kernels for Diffusion Reward Alignment: 本文提出 NTRK(Noise-Tilted Reverse Kernel):在扩散推理时不改反向核的均值,而是把奖励梯度经一个「白化算子」变成一个合法的高斯噪声方向后注入到噪声项里,从而在每步只采一个样本的前提下同时拿到「梯度引导」和「噪声兼容性」;在美学图像生成上仅用 25 NFE 就超过了最强基线在 500 NFE 下的奖励,算力降低 20 倍。
Not All Prediction Targets Keep Training-Free Diffusion Guidance on the Manifold: 本文从理论上证明扩散模型的预测目标（\(\epsilon\)-prediction / \(v\)-prediction / \(x\)-prediction）在训练免引导（training-free guidance）下形成严格的误差放大层级，\(\epsilon\)-prediction 因恢复公式中 \(1/t\) 因子在高噪声步发散而导致样本脱离数据流形，而 \(x\)-prediction 直接输出干净图像、无误差放大；实验通过 crossed-lines 控制消融、143 种鸟类细粒度基准和风格迁移三个维度验证了该层级，并引入 Child FID 作为流形感知评估指标。
NumColor: Precise Numeric Color Control in Text-to-Image Generation: 针对子词分词器切碎十六进制及RGB数值颜色代码、破坏图文交叉注意力与颜色绑定的痛点，NumColor提出了分词器无关的字符级颜色标记聚合器（CTA）与基于感知均匀CIE Lab空间的6,707锚点ColorBook，在冻结扩散底座与文本编码器下实现了精准的数值颜色可控生成与跨架构零样本迁移。
Obliviate: Erasing Concepts from Autoregressive Image Generation Models: 把扩散模型里成熟的「负向引导概念擦除」搬到自回归图像生成模型上，通过共享视觉前缀对齐条件/伪无条件两路预测、在整条 token 轨迹上做 KL 分布监督，在几乎不损伤模型效用的前提下把裸露、血腥、品牌 logo 等概念擦干净（Liquid 上 RAB 裸露检测率从 91.58 降到 3.15）。
OSOR: One-Step Diffusion Inpainting for Effect-Aware Object Removal: OSOR 提出了面向目标消除的单步扩散修复框架，通过占用引导判别器提供精确多尺度边界监督，结合轻量 Alpha 头预测真实影响区域以实现自适应潜空间混合，在实现阴影与倒影完全消除及掩码容错的同时，将推理速度较现有强多步基线提升 4 至 30 倍。
OTCache: Optimal Transport for Geometry-Aware Caching in Diffusion Models: OTCache 提出免训练的扩散模型加速框架，通过最优传输理论将不同推理预算下的缓存调度建模为策略空间的连续演化轨迹，以高预算图搜索参考调度和低预算黑盒搜索锚点为两端点，在 Wasserstein 空间中通过分位数插值预测任意目标预算的调度方案，在 FLUX.1、Qwen-Image 和 HunyuanVideo 上分别实现 4.5x、4.7x 和 3.66x 加速，同时一致优于现有图搜索缓存基线。
Phase-Aligned RoPE for Mixed-Resolution Diffusion Transformer: 本文首次揭示 RoPE 在混合分辨率 DiT 中失败的根本原因——注意力分数是 token 相对距离的正弦周期函数 \(\kappa(\Delta)\)，不同分辨率 token 被映射到统一坐标空间后落到 \(\kappa(\Delta)\) 曲线的不同相位，导致注意力分数系统性失真；据此提出训练无关的 Phase-Aligned Mixed-Resolution Attention (PMA)，对每个查询-键对在查询的原始尺度上计算位置偏移，恢复一致的相位基准，配合轻量边界精修模块 (BER)，在 Wan 视频模型和 FLUX 图像模型上以 4 倍加速实现与全分辨率可比甚至更优的生成质量。
Policy-Based Tuning of Autoregressive Image Models with Instance- and Distribution-Level Rewards: 将离散token自回归图像生成建模为马尔可夫决策过程，提出基于EMA特征矩的留一法FID（LOO-FID）分布级奖励，结合实例级感知奖励与自适应熵正则化进行GRPO策略微调，不仅彻底解决了强化学习微调中的模式与多样性崩溃难题，更在完全摆脱分类器无引导（CFG）2倍计算开销的同时显著提升了生成质量与分布覆盖度。
Posterior Augmented Flow Matching: 针对传统流匹配因单样本单轨迹监督导致的训练信号高方差与流坍缩问题，本文提出后验增强流匹配（PAFM），通过自归一化重要性采样对中间态的多目标后验期望速度进行无偏估计，显著降低梯度方差并在几乎无计算开销下大幅提升生成质量。
PRISM: Latent Composition Consistency for Single-Image Reflection Removal: PRISM 发现预训练 VAE 隐空间中透射层与反光层的互相关性较像素空间骤降十倍，据此将单图反光去除重构为隐空间线性分离任务，基于 FLUX 骨干实现单步流匹配同时恢复透射与反光分量，并结合跨样本反光交换的一致性约束与分块对比分离损失，在六大基准上全面刷新 SOTA。
RADIANCE: Relative Adaptive Denoising with IP-Adapter for Novel Concept Enhancement: 针对长尾罕见属性与实体组合生成中因先验压制导致的属性遗漏与概念漂移，RADIANCE 提出了一个免训练的闭环反馈控制框架，利用 CLIP 相似度在线监测去噪过程中的语义涌现，并通过正负双向 IP-Adapter 施加“恢复力”实现自适应动态纠偏。
RankT2I: A Submodular Framework for Discovering Interpretable and Diverse Semantics in Text-to-Image Models: RankT2I 是一个无需训练且与底层生成骨干无关的可编辑语义发现框架，通过多模态大模型挖掘候选池并基于子模目标函数贪心筛选，在兼顾语义相关性、主体保真度（编辑性）和特征多样性的同时实现了高效排序。
RawGen: Learning Camera Raw Image Generation: RawGen 提出了首个支持从文本或 sRGB 图像生成物理线性相机 Raw 数据的扩散生成框架，通过构建“许多对一”逆向 ISP 训练范式解耦不可控的图像润色效果，结合针对 CIE XYZ 线性域微调的 DiT 去噪器与 VAE 解码器，实现了任意目标相机的传感器级线性 Raw 数据高保真合成。
Recolour What Matters: Region-Aware Colour Editing via Token-Level Diffusion: 针对现有图像颜色编辑中离散语言无法精确表达连续色相、以及全局特征注入易导致色彩漂移与纹理劣化的难题，本文提出 ColourCrafter 框架，通过在隐空间进行 Token 级图色融合并引入掩码感知的 Lab 空间感知损失，结合构建的高质量对齐数据集 ColourfulSet，实现了精细且保结构的局部连续色彩重着色。
RefDiT: Local Attribute Guidance in Reference-Based Image Generation: 针对多物体参考图中局部属性无法精细引导生成的问题，RefDiT 提出结构化三元组属性解耦与三元组条件 LoRA 训练策略，在不增加推理架构开销的前提下实现了高保真的局部属性级迁移与生成控制。
Rethinking Garment Conditioning in Diffusion-based Virtual Try-On: Decouple, Don't Denoise: DeCo-VTON 通过可视化分析双 UNet 参考网络的噪声预测行为，首次揭示空间拼接式虚拟试穿中全参数微调失效的根本原因——服装条件与去噪过程耦合导致的三个功能冲突——并对应提出三个解耦设计原则（服装无关引导、解耦损失、干净潜变量锚定），在不改动网络架构的前提下，以单 UNet 860M 参数达到甚至超越双 UNet 1.8B 参数 SOTA 模型 Leffa 的试穿效果。
Rethinking Robust Adversarial Concept Erasure in Diffusion Models: 针对对抗概念擦除方法在擦除鲁棒性与计算开销之间的根本权衡，S-GRACE 利用 CLIP 文本编码器的图文语义先验，提出单样本语义引导对抗优化与自动代理概念擦除机制，仅需 4 分钟即可实现前沿的抗对抗攻击擦除鲁棒性与优异的图像生成效用。
Revisiting Autoregressive Models for Generative Image Classification: 本文重新审视自回归（AR）模型在生成式图像分类中的潜力，发现固定token序是限制AR分类器性能的关键瓶颈，提出用任意序AR模型（RandAR）对多个随机token序的类别条件对数似然取Jensen下界平均（序边际化），在ImageNet及多个OOD基准上全面超越扩散分类器且推理快25倍，并首次使生成式分类器达到与DINOv2可竞争的水平。
RTE-FM-Dehazer: Radiative Transfer Equation Inspired Flow Matching for Real-World Image Dehazing: 针对真实非均匀雾景中大气散射模型假设失效与生成式去雾的色彩漂移问题，提出将辐射传输方程（RTE）的扩散-吸收动力学作为可微切空间正则项嵌入流匹配连续速度场，并结合 VLM 几何对齐合成数据集 P-HAZE，实现无伪影的高保真真实场景图像去雾。
ScrollScape: Unlocking 32K Image Generation With Video Diffusion Priors: ScrollScape 将极端宽高比（如 8:1）超高分辨率全景图像与长卷合成重构为连续视频平移扫描任务，利用视频扩散模型的时序一致性充当全局结构约束，并结合扫描位置编码（ScanPE）与滚动超分辨率（ScrollSR），首次将生成分辨率无缝扩展至 32K 且彻底消除了局部重复与拼缝伪影。
SegDiff: Segmented Trajectory Diffusion for Consistent and Adaptive Robot Manipulation: SegDiff 将演示轨迹解耦为以关键姿态为锚点的分段轨迹，结合扩散模型预测当前状态到下一关键姿态的连续动作，并基于 DDIM 反演引入动态时序集成机制，在保持长时程预测抗复合误差能力的同时实现了多模态一致性与动态场景下的实时敏捷响应。
Semantic Browsing: Controllable Diversity for Image Generation: 提出 Semantic Browsing 框架，用多智能体 VLM 流水线将用户提示词自动扩展为结构化 JSON 场景表示，再通过系统性变异语义维度生成层级多样性图像画廊，实现可导航、可解释的可控多样性生成。
Semantically Aligned Gradient-Driven Context-Preserving Image Editing: 针对指令引导图像编辑中仅依赖静态条件导致欠编辑与空间溢出的盲区，IABEdit 提出可微语义验证范式，利用冻结 VLM 生成富语义描述符并由 LoRA 微调的对齐器通过单步去噪估计反向传播语义残差梯度，在无需推理期 VLM 开销的前提下实现精准局部编辑与背景语境保持。
Source-Agnostic Image Translation Based on Latent Aware Adaptive Masking: PM-Edit 提出了一种源域无关的无监督图像到图像翻译框架，通过离线统计目标域在各时间步的去噪预测差异来建立动态时间阈值，在反向扩散中迭代累积最小必要掩码并结合渐进式修复，在仅依赖目标域预训练模型且无需额外训练的前提下实现了高保真度与强真实感的局部自适应图像编辑。
Spanning Tree Autoregressive Visual Generation: STAR 将图像 patch 网格建模为网格图，利用基于随机边角根节点的均匀生成树 BFS 遍历序列作为自回归生成的结构化随机生成顺序，既保留了天然的局部连通性与中心先验以保证图像生成质量，又通过拒绝采样支持任意连通观测作为前缀的原生图像修复。
Spectral Prior for Reducing Exposure Bias in Diffusion Models: 针对扩散模型多步迭代采样中的曝光偏差（分布漂移）表现为频率与时间步相关的信噪比失真问题，本文提出基于离线拟合幂律频谱先验并在推理时进行轻量 FFT 梯度校准的 Spectral Alignment（SPA）引导采样方法，以仅 3-4% 的计算开销全面提升像素、潜空间及流匹配模型的生成质量。
SR-Edit: Region-Aware Image Editing via Self-Refinement: 针对免掩码图像编辑中非编辑区域易漂移且启发式特征干预易产生伪影的难题，SR-Edit 提出在像素空间通过自反馈提取精准变化区域，并基于 Doob's h-transform 推导对齐原生采样动力学的掩码残差漂移/速度修正，实现无需训练的高保真区域感知图像编辑。
Straight-Path Flow Matching for Incomplete Multi-View Clustering: 针对基于扩散模型的不完整多视图聚类因初始无类高斯噪声和随机去噪导致跨簇漂移与长路径冗余的问题，本文提出基于直线路径流匹配（Flow Matching）的确定性 ODE 跨视图补全框架，结合聚类级对比与熵加权单纯形对齐，在单步有限积分下实现了保持聚类可分离性的端到端视图补全与聚类。
SynVAR: Synergizing Spatial and Semantic Alignment in Visual Autoregressive Model: 针对视觉自回归模型在多主体复杂场景中空间错位与语义混淆的累积放大难题，SynVAR 提出了首个专为 VAR 范式定制的免训练增强框架，通过在早期尺度协同注入全局空间引导与自注意力感受野约束，并在全尺度实施高频频域补偿，在无需额外微调的前提下大幅提升多物体构图与细节生成质量。
Test-Time Registers as Global Priors for Tokenized Image Generation: 本文提出免训练的 RegToken 框架，通过归一化特征范数（NFN）定位注意力槽层级、借助 TokenRank 提取寄存器子空间并执行投影守恒更新，将原本被视作注意力伪影的高范数寄存器特征转化为全局低频先验，在完全冻结 ViT 主干与解码器的情况下显著提升了紧凑一维离散 Token 图像生成的质量与对齐精度。
Text-based Tactile Graphics Generation for the Visually Impaired: 本文提出了首个从自然语言直接端到端合成符合物理制造约束的 2.5D 触觉浮雕生成系统，联合优化全局底板基底几何、高频可平铺法线纹理与合规盲文标注，彻底打通触觉感知与 3D 打印制造。
The Illusion of High Utility in Safety Alignment of Text-to-Image Diffusion Models: 这篇论文揭穿了「T2I 安全对齐既安全又不掉能力」的假象——粗粒度指标（FID / CLIPScore）看不出的细粒度指令遵循能力其实大幅退化，根因是文本编码器嵌入空间发生「语义坍缩」，并提出 SAGE 用两个几何正则项（保住嵌入铺展 + 保住局部相似结构）在几乎不牺牲安全的前提下把结构化保真度追回来。
Through Van Gogh’s Eyes: Global Style Transfer with Diffusion Model: 提出全局风格迁移（GST）新范式，通过在扩散模型瓶颈层 h-space 训练轻量残差风格提取函数消除文本偏置，并结合无需训练的 CLIP 语义级内容对齐引导（CAG），实现从艺术家完整作品集学习全局风格分布并迁移至内容图像。
Tiled Prompts: Overcoming Prompt Misguidance in Image and Video Super-Resolution: 针对高分辨率图像与视频超分辨率在潜空间分块（Latent Tiling）推理中单一全局提示词引起的语义误导问题，本文提出 Tiled Prompts 框架，利用视觉语言模型为每个局部瓦片生成强相关的专属提示词，在信息论与分数匹配视角下严格约束局部后验分布，以极低计算开销显著抑制伪影与语义幻觉。
TMI: Text-to-Image Meets Image-to-Image for Complementary Data Synthesis to Boost Long-Tailed Instance Segmentation: TMI 提出了一个将全局文本到图像（T2I）多样性生成与上下文感知图像到图像（I2I）编辑相结合的互补数据合成范式，利用提示一致性过滤与教师-学生自适应伪标签解决 T2I 噪声，并通过 VRAIN“放置-验证”机制实现高保真罕见类精准注入，大幅提升长尾实例分割在全类及稀缺类别上的表现。
TooBad: Backdoor Diffusion Models with Ultra-Low Poison Rate and Imperceptible Trigger: TooBad 首次在去噪生成过程中直接对扩散模型触发器进行端到端优化，结合 \(L_\infty\) 范数与稀疏性约束生成隐蔽扰动，使模型在 0.2%~0.5% 超低投毒率及仅 3~5 个微调周期下即可达到近 100% 攻击成功率，并完全规避前沿后门检测防御。
Towards In-Context Tone Style Transfer with A Large-Scale Triplet Dataset: 针对色调风格迁移中真实配对三元组数据匮乏与独立特征编码导致的语义失真问题，本文构建了包含 10 万组配对数据的 TST100K 数据集与基于对比学习和偏好微调的双阶段色调评分器，并提出基于流匹配 DiT 的上下文生成框架 ICTone，结合奖励反馈学习实现了语义感知的高保真色调风格迁移。
Training-Free Multi-Concept Image Editing: 针对语言无法精确描述的细粒度视觉实体与身份属性，本文提出概念蒸馏采样（Concept Distillation Sampling, CDS），将严格降序时间步的正则化分数蒸馏骨干与基于特征分歧度的动态 Patch 级 LoRA 权重机制相统一，实现了无需额外训练与无需目标参考图的多概念高保真图像编辑。
TRaM-VSR: Importance-Aware Token Routing and Merging for One-Step Diffusion Video Super-Resolution: 针对单步 Diffusion Transformer 视频超分辨率计算开销大及粗暴剪枝易引发时序闪烁的难题，TRaM-VSR 提出结合离线风险感知区间规划、语义-时序曲率重要性评分、局部-全局双流处理及出口恒等恢复的自适应 Token 路由合并框架，在显著加速推理的同时保持了 SOTA 级超分质量与时序连贯性。
UniCSG: Unified High-Fidelity Content-Constrained Style-Driven Generation via Staged Semantic and Frequency Disentanglement: UniCSG 提出了分阶段语义与频域解耦框架，在隐空间先通过低频滤波与条件加噪解耦语义骨架，再通过差分高斯金字塔重构高频纹理，并在像素空间结合多维奖励优化，在文本引导与参考图像引导风格迁移中大幅抑制参考内容泄漏并提升保真度。
Unified Backbone Refinement for Diffusion Models via Internal-Latent Analysis: 通过理论与实证揭示去噪骨干网络深层低噪声隐空间在早期出现的急剧扰动与图像生成伪影紧密相关，提出免训练框架 DUNE，在早期利用 EMA 标准化检测异常激活并在 U-Net h-space 与 Transformer 深层自注意力层实施骨干自适应抑制，在无伪影与保真度之间取得全面提升。
UniGP: Taming Diffusion Transformer for Prior-Preserved Unified Generation and Perception: UniGP 基于 MMDiT 架构通过仅复制图像分支构建解耦分支 DUGP，配合非对称注意力与二值路由的联合训练策略，在完全保留主干生成先验的前提下实现了文生图、任意空间条件可控生成与稠密几何（深度/法线）联合感知的统一建模。
Unwarping the Lens: A Physics-Grounded Approach to Video Glasses Removal: 针对传统生成式修复在去除眼镜时存在的身份漂移与时序闪烁问题，提出将大规模生成先验转移至轻量确定性前馈网络JFSnet，并结合严格的三阶段硬样本几何筛选、透镜折射与高动态范围反射的物理模拟增强，以及平移等变性约束，实现了 27.68 FPS 下高保真、视线精准保持的视频眼镜去除。
V-Co: A Closer Look at Visual Representation Alignment via Co-Denoising: V-Co 在统一的 JiT 像素级测试基准下系统解构了视觉协同去噪机制，提出由全双流架构、结构化掩码无条件分支、感知-漂移混合损失与基于 RMS 的信噪比校准构成的完整配方，在 ImageNet-256 上显著提升了像素扩散模型的生成质量与训练效率。
WaterGen: Decoupling Scene and Medium in Underwater Image Generation: WaterGen 提出将水下图像生成解耦为无退化的语义场景生成与基于水下光学物理的条件解码两个阶段，实现了场景几何与水体退化参数（如透射率与后向散射）的独立精确控制，并能作为高质量合成数据引擎显著增强下游水下恢复与分割任务。
Wavelet-Guided Semantic Signal Compensation for Inversion-Free Image Editing: 针对基于整流流的免反演图像编辑在高噪声阶段语义引导力弱、全局属性难以偏航的问题，本文提出基于同点探测与二维离散小波低频分解的语义信号补偿机制，在生成早期通过二次时间调制注入全局语义，在不牺牲背景保真度的前提下大幅提升大尺度属性编辑能力。
WearWow: Native 2K Multi-Garment Virtual Try-On via Adaptive Token Packing and Preference Alignment: 针对超高清多服装虚拟试衣中输入条件序列二次方显存爆炸与扩散模型高频纹理平滑衰减两大瓶颈，WearWow 提出了自适应 2D Token 打包（ATP）与多维试衣偏好对齐奖励（MTR），在自建的原生 2K 数据集上实现了免遮罩、高触觉质感的多服饰协同生成。
When Cars Have Stereotypes: Auditing Demographic Bias in Objects from Text-to-Image Models: 提出 SODA 审计框架，通过受控提示词生成、两阶段视觉语言模型属性发现与三项标准化度量（BDS、CDS、VAC），揭示文生图模型中非人物体普遍存在的中年/白人默认偏好、极端的刻板属性集中（如女性专属玫瑰金笔记本），以及提示词去偏导致的同质化副作用。
Which Layer Causes Distribution Deviation? Entropy-Guided Adaptive Pruning for Diffusion and Flow Models: 针对基于 Transformer 的扩散模型与流匹配模型在下游迁移剪枝易导致分布偏移与模式崩塌的问题，本文提出条件熵偏差（CED）量化各模块对输出生成分布的破坏程度，并结合基于神经正切核（NTK）与梯度信噪比（ZiCo）的零样本代理构建自适应渐进剪枝框架 EntPruner，在 DiT 与 SiT 上实现高达 2.22 倍推理加速且生成质量几无衰减。
Achieving Subcategorical Erasure in Text-to-Image Models: SURE 用单个父类标签启动概念擦除，将父类与检索到的相关子概念映射到空提示，同时保留中性预测并约束局部潜空间变化，在 Guns 测试中将子类残留检测率降至 10.00%，但并未证明所有子类都被完全遗忘。
AdaBridge-SR: Adaptive Bridge Matching for Real-World Image Super-Resolution: AdaBridge-SR 根据退化输入预测“哪里加噪、何时进入高随机性阶段”，用同一套权重实现确定性一步超分辨率和随机少步细化，在 RealSR 上以一步取得 25.2152 dB PSNR、两步取得 0.6847 MANIQA，但增加步数仍需付出保真度代价。
Adaptive Noise Covariance Scheduling under Riemannian Metrics for Diffusion Models: 本文把蓝噪声到白噪声的演化拆成“沿哪条协方差路径走”和“每张图走多快”，以 Bures-Wasserstein 测地线配合潜变量预测的调度温度，在不更换 BNDM 去噪骨干的条件下改善图像生成 FID 与 KID。
Adversarial Score Distillation for Stable One-Step Diffusion in Real-World Image Super-Resolution: ASDSR 通过重新组织生成器的对抗式分数梯度、在真值潜变量上计算判别器惩罚项并加入轻量 CLIP 语义监督，实现单步四倍真实图像超分辨率，在 DrealSR 上取得 28.77 PSNR、0.7973 SSIM 和 0.2896 LPIPS，但并非所有感知指标均领先。
AlignMorph: Tuning-Free Diffusion Image Morphing via Explicit Semantic Transport: AlignMorph 先用语义最优传输对齐两张图像的潜变量，再在一致的坐标系中进行扩散生成，无需逐图像对微调，在 Morph4Data 上将复现版 FreeMorph 的 FID 从 203.32 降至 188.44，但每对图像耗时从 90 秒增加到 115 秒。
Analyzing and Improving Training-Free Fast Sampling of Text-to-Image Diffusion Models: TORS 先找出少步扩散生成的主要瓶颈是外层时间调度，再将三维投影轨迹的总旋转量均分来安排采样时刻，使 Flux.1-Dev 的 10 步 Image Reward 从 0.71 提高到 0.97，但并非所有指标都达到 50 步基线。
Beyond Alignment: A Generative Matching Paradigm via Flow Matching for Zero-Shot Skeleton-Based Action Recognition: ProtoFM 摒弃传统的骨骼-文本跨模态异构对齐，改用基于条件流匹配（CFM）的确定性常微分方程（ODE）轨迹将文本语义合成为伪骨骼特征，结合原型引导中心损失与测试时在线记忆库校准，实现了稳健的同构骨骼判别匹配。
Beyond Linear Shortcuts: Rectifying Diffusion Preference Optimization with Intrinsic Generative Geometry: 针对传统扩散模型直接偏好优化（DPO）忽略内在生成轨迹曲率而引发的“线性捷径谬误”，本文提出轨迹一致性偏好优化（TCPO），通过曲率自适应采样定位流形几何锚点，并结合超球面插值融合语义目标，在显著提升图像美学与图文对齐质量的同时实现了 4.3 倍的训练加速。
Beyond the Boundary: RL-Driven Solution Space Exploration for Blind Face Restoration: 本文提出首个面向盲人脸恢复（BFR）的在线强化学习后训练框架 LRPO，通过多候选采样释放扩散模型的随机探索潜能，并引入复合奖励、真值引导似然正则化与噪声级自适应优势分配，兼顾感知真实度与身份一致性。
CHARTSTYLE-100K: A Large-Scale Dataset for Structured Visualization Style Transfer: 针对结构化图表风格迁移中普遍存在的数据编码几何畸变和参考内容泄露难题，论文提出了逆向合成流水线 ChartForge，构建了包含 10 万高质量图表三元组的数据集 ChartStyle-100K 与基准评测集 ChartStyle-Bench，并通过渐进式微调训练出兼顾组件级风格适配与严格几何保真的 ReChart 模型。
CMDer: Controllable Mode Decomposition-Based Single Motion Synthesis with Diffusion: CMDer 将单样本人体动作通过多元变分模态分解（MVMD）解构为跨关节协同的多尺度本征频率模态，并结合轻量化模态增强块（MEB）在模态隐空间执行扩散去噪，实现了在保留全局韵律的同时对动作细粒度细节进行频域可控编辑与多样化合成。
Co-evolving Representations in Joint Image-Feature Diffusion: 针对联合图像-特征扩散模型中预训练视觉表征空间静态固定的瓶颈，本文提出协同进化表征扩散（CoReDi），通过轻量可学习线性映射联合优化扩散模型与语义空间，并借助停止梯度、批归一化与特征方差正则化彻底阻断表征塌陷，在潜空间与像素空间扩散中均实现显著加速收敛与样本质量跃升。
CollectionLoRA: Collecting 50 Effects in 1 LoRA for Deployment: 针对图像编辑中串联组合多个特效LoRA与加速LoRA所引发的特征冲突、语义漂移及存储路由开销，CollectionLoRA提出一种多教师混合在策略蒸馏框架，将50种异构视觉特效与8步快速推理能力无冲突地整合进单一轻量LoRA中。
D3F-IR: Dual-Domain Deterministic Flow Matching for Visible-to-Infrared Translation: 针对可见光到红外图像转换中宏观热辐射语义与微观空间细节强耦合导致的模糊和伪影问题，D3F-IR 提出双域确定性流匹配框架，显式解耦潜空间语义流与像素空间结构流并通过块级对齐调制协同演化，实现了高保真与高物理可信度的红外图像生成。
Diffusion Image Generation with Explicitly Modeling of Data Manifold Geometry: 针对连续扩散模型在无界欧氏空间中扩散而忽略数据流形几何先验的问题，本文提出了流形感知图像扩散模型（MIND），通过将离散词元映射到紧凑超球面流形，结合可微 Soft Top-\(k\) 聚合桥接与动态多阶段迁移采样，在仅 130M 参数量下取得了媲美数十亿参数离散及连续生成模型的生成质量。
Diffusion to Obfuscation: Time-Adaptive Synthesized Generation Against Gradient Leakage Attacks in Federated Learning: Diff2Obs 针对联邦学习早期欠拟合时易受梯度泄露攻击的痛点，提出由客户端本地训练扩散模型生成同分布但细节正交的合成样本，并通过时间自适应调度与异类标签混淆梯度方向，在彻底瓦解语义及细粒度重构的同时保持了高达 98.86% 的模型效用。
DisRM: Reward Modeling as Discriminative Prediction: DisRM 抛弃昂贵的人工成对偏好标注与繁琐的多维度工程，仅凭 500 张无标注代表性样本训练轻量判别器区分生成分布与目标分布，实现高质量奖励建模与生成器-奖励模型多轮协同演进。
Divide and Conquer: Decoupled Representation Alignment for Multimodal World Models: M2-REPA 通过将扩散模型的中间特征解耦为模态专属的子空间，分别与 DINOv2、DepthAnythingV2、SAM2 等模态专家进行表示对齐，并借助 CKA 正则化压制跨模态冗余，首次将单模态 REPA 扩展到了多模态视频生成场景，在三模态（RGB-深度-掩码）生成中取得了显著提升。
DivRL: Disentangled Self-Similarity Rewards for Diverse Subject-Driven Generation: DivRL 提出基于 Flow-GRPO 的后训练框架，通过解耦的视觉特征分别衡量结构多样性和身份一致性，并用「探索-抑制」两阶段优化策略让模型同时生成高身份保持和高结构多样性的图像。
DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation: 本文证明文本到图像扩散模型在概念定制和概念遗忘两种适配操作中都会系统性地损害语义无关的其他概念（零样本分类最差类别掉点最高 18.9 分），而 FID/KID 等聚合指标对此结构性盲视；作者提出 DriftScope，一种基于软提示优化的 token 级概念漂移诊断工具，通过最大化两检查点间交叉注意力图的差异来排定受漂移影响最严重的 token。
DRPO: Disentangling Demographic Bias from Rewards for Fair Diffusion Alignment: 针对偏好优化（PO）对齐扩散模型时会放大奖励模型内嵌人口统计学偏见导致生成群体多样性严重坍塌的问题，DRPO 通过线性探测与 SVD 提取奖励特征空间中的人口属性偏见子空间，并在奖励推理前施加正交投影，零侵入地实现了保质量且高公平性的扩散模型对齐。
DuoFlow: JVP-Free Finite-Difference Mean Flows for One-Step Image Generation: 针对 MeanFlow 依赖高开销雅可比-向量积（JVP）导致训练难以扩展的瓶颈，DuoFlow 提出误差驱动的无 JVP 有限差分框架，通过随机符号单边差分控制步长截断误差、同状态联合估计与渐进自引导对齐轨迹速度误差，在 ImageNet \(256 \times 256\) 从头训练下将单步 FID 降低约 30%。
Dynamic Image Prompt Adapter for Scalable Zero-shot Personalized Text-to-Image Generation: 针对基于适配器的零样本个性化文生图面临的概念保持与提示词遵循失衡、细粒度细节丢失及多主体扩展困难三大瓶颈，本文提出 DynaIP，利用 MM-DiT 双分支内在的解耦学习特性构建动态解耦推理策略，并结合层级 MoE 融合 CLIP 多粒度视觉特征，仅需单主体训练即可在单主体与多主体生成中同时实现 SOTA 的概念保真度与文本对齐度。
Dynamic World Generation Made Efficient: 针对自回归序列化生成动态世界耗时长达数小时且易累积跨视角运动不一致的瓶颈，DYNWORLD 提出空间 Token 记忆（Spatial Token Memory），将流匹配视频生成器的中间隐层特征赋予估计的 3D 空间坐标并在跨视角的自注意力层中建立几何投影与交互，实现了多视角动态视频的完全并行生成与解耦 4D 高斯世界重建，将生成时间由数小时缩短至 15-30 分钟（约 10 倍加速）。
EmoteGPT: 3D Human Facial Expression from Natural Language Descriptions: EmoteGPT 构建了首个包含显式特征与隐式情境双重文本标注的 3D 人脸表情基准 Txt2Emote，并基于多模态大模型引入专用 <Expr> 标记与轻量级解码器，实现了从自然语言直接、确定且高保真回归解耦 FLAME 表情参数的实时生成框架。
Enlightening Photographic Style Transfer with a Self-Supervised Photographic Embedding: PETAL提出了一种结合自监督摄影风格增强与CIE-Lab空间直方图引导的摄影风格嵌入网络，并通过风格差值驱动轻量级自适应5D神经LUT，在无需测试时优化的前提下实现了保真度与感官质量兼优的摄影风格迁移。
EVAR: Edge Visual Autoregressive Models via Principled Pruning: 针对视觉自回归模型（VAR）在端侧单图生成时延迟高及跨尺度误差级联的瓶颈，提出结合金字塔感知二阶优化与渐进式尺度蒸馏的结构化剪枝框架 EVAR，将 VAR-d16 剪枝 40% 至 230M 参数，在保持 3.91 FID 的同时将 iOS 端单图生成延迟压缩至 277 ms（加速 1.8×）。
EvDiff: High Quality Video with an Event Camera: EvDiff 针对事件相机视频重建面临的计算开销大与配对数据稀缺难题，结合 Stable Diffusion 3 设计单步扩散模型与高效时序融合 EvEncoder，并构建三阶段替代训练管线将大规模自然图像先验蒸馏至事件域，实现了仅凭单色事件流即可生成高保真、高动态范围的高清彩色视频。
Expert Weaving: Marrying Masked AutoRegressive and Diffusion Models for Unified Image Restoration: MoSE 针对全功能图像恢复中单一模型难以兼顾多样退化的问题，首次揭示掩码自回归（MAR，擅长局部结构重建）与扩散模型（Diffusion，擅长全局纹理去噪）的互补先验，构建了图像-特征双层协同专家系统与 DINOv3 引导的动态路由器，在显著降低计算开销的同时实现了保真度与感知质量的自适应平衡。
Exposing Implicit Vulnerabilities in Text-to-Image Models via Adversarial Agentic Probing: 针对文生图模型难以防御表面看似安全却能诱发有害图像的隐式对抗提示词问题，本文提出无须访问模型内部参数的黑盒多智能体红队测试框架 AdvPIE，通过全局与相对双粒度反馈机制提供多模态安全指导，并结合累积对抗解码在词元级别动态调整采样分布，显著提升了跨开源基座模型、安全对齐模型及商业 API 的隐式漏洞挖掘能力。
FaceArmor: A Universal Facial Image Protection Against Diffusion-Based Manipulations: 针对扩散模型人脸伪造与篡改，FaceArmor 摆脱对特定生成网络内部模块的依赖，通过在图像内在表征空间联合破坏结构层（全局隐空间与精细纹理）与语义层（图文对齐与生物特征识别），并结合自引导注意力软权重与 PCGrad 解决多目标空间冲突，实现了面向未知生成架构与多样化篡改范式的通用高鲁棒主动防御。
Fair and Faithful: A Diffusion-Enhanced Dataset and Hybrid State-Space Mamba for Face Super-Resolution: 针对现有基于固定扫描路径的状态空间人脸超分辨率模型难以兼顾全局轮廓与局部关键五官细节、以及公开评估数据缺乏种族多样性与可复现基准的问题，本文提出了结合 ControlNet 结构化生成的 70K 种族平衡数据集 SFHQFSR，并设计了融合全局视觉状态空间建模、基于偏移采样的区域自适应状态空间扫描以及通道-空间-频域多域细化的混合状态空间网络 GLASNet，在维持线性复杂度的同时刷新了多项退化设置下的 SOTA。
FairSteer: Cross-Attention Steering Towards a Fairer Text-Guided Image Generation: 提出无需微调模型的推理期单样本去偏框架 EquiSteer（文中亦称 FairSteer），通过早步交叉注意力点积门控自适应识别属性中性提示词，结合属性子空间正交化消除预设偏见与自适应强度定向注入，在 SD-1.5、SD-2.1、SDXL 与 SANA 上大幅削减人口统计偏见达 87% 且无损图像生成质量。
Fill2SR: Repurposing Inpainting Diffusion Transformers for Real-World Super-Resolution: Fill2SR 摒弃传统 ControlNet 侧枝与空间 token 堆叠，将预训练图像补全 DiT 的 native 遮罩图像槽改造成全图密集低质证据通道，配合逆退化整流流与离线退化迁移管线，在单张 32GB GPU 上实现了支持原生 QHD 混合分辨率的高保真超分辨率重建。
FlowInOne: Unifying Multimodal Generation as Image-in, Image-out Flow Matching: 将文本描述、空间布局、几何标记与物理控制等异构指令统一渲染为单动画布，通过单模态图像输入到图像输出的流匹配模型建模连续隐空间输运，实现跨文本生图、精细图像编辑与物理动力学遵循的大一统生成。
FlowLess: Controlling Abstract Image Generation: FlowLess 提出了一种通过视觉抽象集（非语义图元与构图细节）可控生成抽象图像的自监督框架，利用几何数据增强与逐部分调制隐式学习抽象自由度，并通过覆盖率分数实现抑制冗余生成先验、合成纯粹极简构图的灵活控制。
From smooth to sharp: Frequency-Decoupled Latent Optimization for Realistic Image Generation: 针对传统潜空间分词器联合优化时偏向低频结构、忽略高频纹理细节导致的过度平滑痛点，本文提出解耦频带分词器 DeBaT，通过离散小波变换显式分离低频和高频分量并使用独立的编解码对分别优化，在保持相同潜维度下大幅降低高频重建误差，并显著提升扩散模型的生成真实感与细节边缘。
G3AFT: Glance Guided Gradient Aligned Fine-Tuning for Visual Autoregressive Models: 针对离散 Token 视觉自回归模型微调中离散采样不可微及长序列显存爆炸难题，G3AFT 提出了首个全序列端到端可微微调框架，通过全局周期梯度采样与噪声抑制梯度投影实现高效稳定的奖励对齐。
GaINeR: Geometry-Aware Implicit Neural Representation for Image Editing: GaINeR 将可训练的高斯嵌入引入隐式神经表示（INR）框架，利用局部半径受限的 KNN 距离加权聚合高斯特征来驱动 MLP 解码器，在刷新 2D 图像超高保真重建 SOTA 的同时，实现了具备物理与几何一致性的图像变形、超分辨率与单图 3D 提升。
Gender Bias in Vision-Language In-Context Learning: 系统揭示多模态上下文学习中示例性别构成会像“定向引力”般加剧视觉语言模型偏见且主要通过单向恶化相反性别的跨性别退化机制触发，提出利用扩散模型生成合成上下文图像实现无损画质与精度的离线去偏。
Generative Manifold Distillation: Aligning Restoration Trajectories with the Natural Image Prior: 本文提出生成流形蒸馏（GMD），在严格仅有低质未标注目标图像的无监督域自适应设定下，通过冻结的大规模文生图流匹配模型进行离线正交投影生成高质量伪目标，并结合质量门控过滤与源域轨迹锚定，在零推理时延与零结构修改的前提下将强大的自然图像生成先验蒸馏进轻量恢复模型。
Generative Refinement Network for Visual Synthesis: GRN 提出了理论上近乎无损的层次化二进制量化（HBQ）分词器以解决离散 token 重建质量差的瓶颈，并构建了类似人类绘画过程的全局精炼机制与熵引导自适应采样策略，在彻底消除自回归误差累积的同时实现高效自适应步数生成。
Geometry-Preserving Image Generation for 6D Object Pose Estimation: 针对 6D 物体姿态估计中真实标注数据稀缺与合成数据仿真落差（Sim-to-Real Gap）难题，本文提出 GenerationPose，基于扩散 Transformer（DiT）并结合 ControlNetGeom 几何注入与掩码感知自注意力阻断机制，将 3D 网格/点云渲染图转换为严格保持几何位姿的高保真伪真实图像。
GLARE: Towards Generalizable Detection of Latent Diffusion Images with Global-Local Reconstruction Error: 通过对比单张图像在共享预训练自编码器下的全局整图重构与去全局上下文的局部补丁切片重构误差对数差（GLARE），并引入浅层边缘密度校准，以完全免训练的方式精准捕捉隐扩散模型独有的过度上下文依赖特征。
GMODiff: One-Step Gain Map Refinement with Diffusion Priors for Efficient HDR Reconstruction: 针对传统扩散模型应用于多曝光 HDR 重建时面临的动态范围压缩、多步迭代耗时及生成幻觉问题，GMODiff 将 HDR 重建转化为退化感知增益图精炼任务，通过回归网络初始化并引导单步潜扩散精炼与解码，实现了超越 SOTA 的高保真单步 HDR 重建且推理速度提升达 100 倍。
Hi-DiT: Hybrid Latent-Pixel Diffusion Transformer for Image Generation: Hi-DiT 在单一参数共享的 Diffusion Transformer 内统一了潜空间与像素空间扩散，依托去噪时序异质性在低噪声阶段通过时间门控动态激活像素分支与分层子像素预测头，在 ImageNet 与 MS-COCO 上取得 SOTA 的生成质量与高频细节。
Hierarchical Style Aggregation for Versatile Chinese Handwriting Generation: HiSAC 将汉字显式分解为部首、部件与笔画三级拓扑结构，配合多频带频域感知风格编码与跨尺度匹配聚合机制，解耦内容拓扑与风格表征，统一了在线笔画轨迹预测与离线扩散图像合成两种少样本手写生成模式。
InstaEdit: Instant Image Editing via Optimized Noise Prediction: 针对指令引导图像编辑多步去噪推理耗时过长的问题，InstaEdit 提出结合参考图与文本指令直接预测优化初始噪声状态，使采样过程从靠近生成轨迹的中间隐变量启航，仅需 4 步去噪即可达成甚至超越基线 30 步的编辑质量与语义一致性，实现约 4 倍端到端加速。
InstantRetouch: Personalized Image Retouching without Test-time Fine-tuning: 提出了无需测试时微调的通用个性化图像重修框架 RefRetouch（论文题名 InstantRetouch），通过 LoRA 适配的孪生 SigLIPv2 编码器与色彩空间轻量条件 MLP 解码器解耦内容与修图风格，并结合检索增强重修（RAR）实现多参考样例的内容自适应风格聚合与零样本真实感风格迁移。
JSON: Jigsaw Self-play Optimization for Normalizing Flows: 针对归一化流（NF）缺乏预定义扩散动力学导致胜负轨迹难界定以及标准自博弈易引发训练崩溃的问题，本文提出了结合拼图重排内在空间评测与有界自博弈损失的 JSON 框架，在无需外部特征监督的情况下显著提升了高分辨率图像生成质量。
Jumping the Landing Phase: Noise Variance Matching Enables Accurate Few-Step Inversion: 针对 DDIM 反演因预测条件时序错配导致的噪声幅度系统性低估问题，本文提出噪声方差匹配（NVM），通过显式对齐预测噪声与前向参考高斯扰动的方差直接跳过耗时的迭代着陆阶段，以极少的 UNet 调用实现高质量少步潜空间重建。
LayerVerse: Finding the Sweet Spot for KV-Injection in Training-Free Image Editing: LayerVerse 针对多模态扩散 Transformer（MM-DiT）免训练图像编辑中背景保留与目标可编辑性的固有冲突，提出将 KV 注入解耦为局部背景保护与稀疏全局结构锚点两类角色，并通过建模层间成对协同效应以混合整数线性规划（MILP）全局求解最优注入层组合。
Learning to Corrupt for Better Restoration: 针对现有单步扩散图像恢复采用启发式加噪导致偏离预训练轨迹的问题，提出 IAC-IR 框架，通过高斯统计特性间接监督自适应预测最优时间步与噪声，并将其融入基于分数的知识蒸馏，实现了兼顾保真度与真实感的高效单步恢复。
Learning to Stylize by Learning to Destylize: A Scalable Paradigm for Supervised Style Transfer: 本文提出“通过学习去风格化来学习风格迁移”的逆向监督范式，构建包含三阶段递进式去风格化管线与思维链过滤机制的 DeStylePipe，产出首个兼具像素级对齐结构与真实艺术监督的 350K 三元组数据集 DeStyle-350K，并建立了内容与风格均衡评测的基准 BCS-Bench。
LINA: Learning INterventions Adaptively for Physical Alignment and Counterfactual Generation in Diffusion Models: 针对扩散模型对称去噪导致的物理失真与反事实生成失效问题，LINA 通过因果场景图建模、文本/潜在空间自适应干预与因果感知去噪重调度，在无需重训扩散模型和无在线多模态模型开销下实现 SOTA 物理对齐。
LISA: Locality-Informed Speculative Decoding for Accelerating Autoregressive Image Generation: 针对视觉 Token 分布平坦分散导致投机解码接受率崩溃的问题，LISA 提出利用视觉码本的局部几何先验，在训练侧引入局部感知蒸馏、在推理侧引入几何感知软验证，实现高达 4.12× 的无损加速。
LUA: Latent Upscaling Adapter for Diffusion-Based Image Synthesis: 针对高分辨率扩散生成中重采样计算代价高与后处理超分引入伪影的问题，LUA 提出在潜在表示送入 VAE 解码器之前插入轻量级前向超分适配器，结合三阶段潜在-像素渐进课程学习与跨尺度共享主干，以单次解码实现与原生高分辨率相当的 2K/4K 图像合成且推理速度提升数倍。
MANGO: Unleashing Image Generation Capability of Unified Multimodal Models: 针对统一多模态模型在复杂组合生成中面临的功能冲突与单次生成瑕疵，MANGO 提出面向功能的 Transformer 分支解耦架构（FoT）以抬高性能下限，并引入涵盖规划-执行-反思-纠错的拟人化绘画思维链（Paint-CoT）及其解耦联合训练范式以拓宽能力上限，在 1.3B 轻量参数下显著超越了更大体量的扩散与统一生成模型。
MeanTalker: Efficient and Expressive Speech-Driven 3D Facial Animation via Geometric-Aware Mean Flow: 针对传统扩散模型采样缓慢与确定性回归过度平滑的难题，MeanTalker 首次将均值流（Mean Flow）引入语音驱动 3D 头部动画，提出双时间编码去噪变换器（DTDT）与几何感知轨迹学习（GATL），实现了推断仅需单步（NFE=1，RTF≈0.004）且口型同步与表情张力超越扩散 SOTA 的高保真 3D 面部网格生成。
MEPA: Multi-Scale Representation Alignment for Visual Autoregressive Modeling with Mixture of Experts: MEPA 针对 VAR（Visual AutoRegressive）模型中共享架构导致的多尺度表示学习冲突和早期尺度语义错误传播问题，提出尺度感知的 Token 路由混合专家（STMoE）解耦不同尺度的模型容量，并结合自监督视觉特征（DINOv3）对早期尺度的残差聚合表示做语义对齐，在 ImageNet 256x256 上用一半训练轮数即超越 VAR 基线，FID 降低 0.63-0.69。
MetaPoint: Unlocking Precise Spatial Control in Visual Generation: MetaPoint 提出了一种无需修改网络架构的单标记空间控制接口，直接复用统一多模态模型的原生 2D 位置编码表示连续浮点坐标，配合规划智能体实现了像素级精度的组合式图像生成与交互式局部编辑。
MGI: Member vs Generated Inference: 本文提出一个新任务 MGI（Member vs Generated Inference）：给定一个样本和一个生成模型，判断该样本是模型的训练成员还是模型自己生成的输出；并设计了三阶段级联方法 DCB，利用自编码器重建/量化误差过滤生成样本、再用潜空间生成器做成员推理、最后跨生成器比较条件概率做溯源，在 IAR 和扩散模型上均显著超越现有 MIA 和归属方法。
Motion Style Slider: Endpoint-Supervised Continuous Style Control for Human Motion Diffusion: 针对人体动作扩散生成中缺乏细粒度连续强度调节的问题，本文提出了端点监督的连续动作风格滑动条（Motion Style Slider），在冻结的运动语义隐空间中构建风格方向并结合标量滑块 \(\alpha\) 调节，利用扩散去噪配合线性度与单调性隐空间正则化，在无需中间强度真值动作的情况下实现了平滑、单调且可合理外推的动作风格控制。
MPO: Single-Stream Policy Optimization for Efficient Text-to-Image Alignment: MPO提出了一种无群组的单流在线强化学习框架（单Prompt、单轨迹、单次更新），通过SDE单轨迹探索、Girsanov漂移自适应贝叶斯价值追踪与全局优势归一化，彻底消除了组同步延迟并克服了组内优势坍塌，在FLUX.1 Dev上实现26倍训练加速与5倍样本效率提升。
Occlusion-Resilient Category-Agnostic Pose Estimation with Conditional Flow Matching: FlowCape 将类别不可知姿态估计（CAPE）重构为条件流匹配驱动的结构化位姿输运过程，利用热图引导初始化定位初始位姿模态，并结合拓扑约束的黎曼位姿头与图流编码器协同推演，在严苛遮挡场景下实现了 SOTA 的鲁棒姿态估计。
OmniPoser: Flexible Human Motion Recovery in the Wild with Masked Flow Matching: OmniPoser 通过跨模态掩码机制与掩码条件编码器（MCE）将异构且缺失的稀疏传感器信号统一映射为关节感知条件，并结合解耦双流条件流匹配（CFM）模型，在仅需单步 ODE 积分的情况下以 >700 FPS 的极速实现真实场景下的全模态全身 SMPL 动作恢复。
On the Diffusibility of High-Dimensional Latents: 针对基于预训练视觉表征的高维表示自编码器在微调重构后有效维度坍缩导致标准速度预测难以收敛的问题，本文揭示了高维噪声正交分量对扩散优化的干扰机理，提出直接采用 clean data (\(x_0\)) 预测目标，无需维度压缩即可高效扩散高维隐变量并显著提升生成保真度。
On-Policy Diffusion Reinforcement Learning Meets Off-Policy Quality Anchoring: 本文提出 DiffusionCompass 框架，针对扩散模型在线强化学习易陷入局部奖励饱和与模式坍塌的痛点，创新性地将静态离线优质/劣质样本作为全局质量“指南针”，通过分布感知过滤、感知锚定奖励与奖励重归一化协同约束在线探索，在图像与视频生成对齐中兼得高奖励、强泛化与极高采样多样性。
Online Versatile Incremental Learning: Towards Class and Domain-Agnostic Adaptation at Any Time: 针对真实感知流中类别概念与视觉域并发、连续且无边界转移的在线多能增量学习（Online VIL）设定，论文提出 TopFlow 框架，通过域无关流匹配（DFM）将中间层表示拉向语义几何并推离域敏感偏置，结合全局拓扑保持（GTP）维护无回放下的特征空间相对关系，显著刷新各基准的即时与最终识别精度。
ParaFlow: Parallel Sampling for Flow Matching Models: ParaFlow 将流匹配（Flow Matching）的自回归常微分方程采样过程重构为三角非线性方程组，并提出基于牛顿一阶差商的速度外推机制，首次在单张 GPU 上以低于传统序列欧拉求解器的总网络评估次数（NFE）实现了高达 4.3 倍的端到端无损采样加速。
Parsimonious Flow Matching for Efficient Image Generation: 简约流匹配（PFM）摒弃传统各向同性单高斯潜变量，提出采用几何结构与低维多模态数据对齐的高斯混合模型（MoG）作为潜变量分布，配合类条件最优传输与协方差特征值截断正则化，使流匹配模型在大幅缩减训练步数的同时显著改善低步数生成质量。
PhysEdit: Physically Consistent Image Editing via Causal Enforcement: 针对传统单步图像编辑忽视物理规律导致的漂浮、光影与反射缺失问题，PhysEdit 将编辑重构为自回归因果演化过程，结合单步教师一致性正则化与基于细粒度物理约束的强化学习，实现了高度符合真实世界物理规律的图像编辑。
Physics Meets Perception: A Reinforcement Learning Framework for Unpaired Real-World Image Dehazing: 针对无成对真实场景去雾中 GAN 容易产生伪影和扩散模型采样开销过高的问题，提出将去雾形式化为单步 Contextual Bandit 的 Dehaze-RL 框架，设计物理混合动作空间并在 GRPO 引导下由多粒度感知奖励优化，实现了兼顾物理可逆性与人眼感知画质的高效去雾。
POET: Preference Optimization for Enhanced Text-to-Image Generation: POET 提出了首个无需监督微调（SFT）即可直接通过多模态裁判反馈进行迭代 DPO 训练的提示词重写框架，在完全冻结文生图模型的前提下，显著弥补了用户简短提示词与模型偏好之间的分布鸿沟。
Prompt2Effect: Training-Free Image-to-Video Model Specialization via LoRA Generation: Prompt2Effect 提出一种权重驱动的超网络，通过显式利用冻结基模型权重作为条件、并将 LoRA 参数预测空间规范化为 SVD 能量排序形式，在单次前向传播中直接合成效果专属 LoRA 权重，实现 I2V 扩散模型的零样本训练无关效果控制，推理仅需 3.3 秒而质量堪比完整 LoRA 微调。
Push–Pull Attentional Anchoring for Diffusion Concept Erasure: 提出推拉注意力锚定机制（PPAA），通过在扩散模型交叉注意力投影空间施加归一化相对余弦相似度的有界“推-拉”约束，在有效消除敏感目标概念的同时避免局部语义过度扭曲，实现了擦除彻底度与非目标同域概念保留间的最佳帕累托平衡。
RCEdit-500K: Reference Completion for Image-Conditioned Image Editing: 将图像条件图像编辑（ICIE）数据构建重构为“参考图补全”任务，通过对现有高质量文本编辑三元组定制四类参考图生成管线、弱指令增强与五维度 VLM 严格过滤，构建出首个覆盖 6 大类、包含 47.7 万四元组的统一开源数据集 RCEdit-500K。
Rdm: Re-conceptualizing Distribution Matching as a Reward for Diffusion Distillation: 论文将扩散模型分布匹配蒸馏（DMD）的目标重新概念化为一种内生奖励（\(R_{\mathrm{dm}}\)），并在统一的群相对策略优化（GRPO）框架下引入群归一化分布匹配（GNDM）与自适应幅度平衡，解决了多步扩散蒸馏中大时间步方差发散与外生奖励融合崩塌的难题。
ReAL: Reference-to-Image (R2I) Aware Latent Diffusion for Image Super-Resolution: ReAL 摒弃了超分辨率对文本到图像（T2I）先验与无分类器引导（CFG）的过度依赖，构建纯参考图像引导（R2I）的潜在扩散架构，通过神经哈希检索结合单次编码的自注意力键值缓存融合，在大幅降低推理延迟与显存开销的同时彻底抑制语义漂移与幻觉。
Region-Aware Test-Time Scaling for Compositional Image Generation: 针对全局测试时采样在复杂空间关系与多对象组合生成中出现的“扩展瓶颈”，提出区域感知测试时扩展框架 RAS，将区域分解作为独立扩展维度，通过仅在前期去噪步注入区域引导实现精准属性绑定与全局结构协同，仅需 2 个样本即可追平基线 32 次采样的对齐效果。
Rethinking Cross-Spectral Image Generation via Shared-Specific Representation: 针对可见光到红外图像跨光谱合成中语义失准和热辐射特性缺失的问题，本文提出 SHASP 网络，通过将跨模态生成重新表述为共享与特异性特征在隐空间的解耦与重构过程，结合语义结构对抗精炼，显著提升了生成红外图像的结构一致性与热辐射保真度。
Roam2Room: A Unified Floorplan-to-Furnished Framework for Controllable Indoor Scene Generation: 针对具身模拟中全屋3D场景数据稀缺且难以全局连贯的难题，提出四阶段分层室内场景生成框架Roam2Room（HomeWorld），通过30万真实户型K-D Tree驱动的大模型生成户型骨架，结合俯视与第一人称分层漫游补全家具，并引入微调VLM反射纠错与桌面可操作小物体布局，实现高真实感且即插即用的全屋交互环境生成。
RobustRDP: Advancing Reaction Diagram Parsing via Synthetic-to-Real Data Scaling and Robustness-Oriented Training: RobustRDP 针对化学反应流程图解析中专家标注稀缺与自回归序列误差累积的两大核心瓶颈，构建了“样本-渲染-排版”合成到真实数据扩展管线，并提出融合区域引导、前缀扰动及直接偏好优化的三阶段渐进式鲁棒训练策略，在基准测试上大幅超越此前 SOTA。
SCALE: Semantic-Calibrated Guidance Enhancement for Prompt-Faithful Diffusion: 针对无分类器引导（CFG）因线性外推耦合导致的生成质量与提示词对齐冲突，SCALE 提出了免训练的正交不变增强机制，通过在采样步进中选择性放大平行语义分量并严格保留正交矫正分量，以几乎零额外推理开销显著消除多属性绑定与计数错误。
Setting the Stage: Text-Driven Scene-Consistent Image Generation: 针对视觉叙事中“先搭舞台再置角色”的核心挑战，本文提出了一套结合真实照片实体消除与图生视频（I2V）的多视角配对数据构建管线，并引入基于跨视角特征对应的注意力正则化损失，实现了在视角与构图大幅变换下严格保持参考场景一致性的文本驱动图像生成。
SGP2: Coarse-to-Fine Controllable Multimodal Remote Sensing Image Generation: 针对遥感图像生成中的语义冲突与物理失真问题，SGP2 提出了由粗到精的几何与物理先验协同生成框架，利用格拉斯曼流形测地线轨迹解耦全局与细节文本语义，并通过多层级视觉基座特征路由与频域谱损失约束振幅与相位一致性。
SIMON: SImultaneous Multi-Object Navigation: SIMON 针对复杂场景下多物体同时操控容易出现注意力发散、残影污染与推理耗时倍增的难题，提出了结合内容感知注意力、多目标能量引导与潜空间初始化的免训练扩散编辑框架，在单次前向扩散过程中实现了高质量、低时延的多物体协同重排与修补。
SpecV: Specification Verification for Robust Unified Multimodal Evaluation: 针对统一多模态模型（UMM）在开放式评测中普遍依赖 VLM 整体打分导致评测漂移（evaluation drift）的严重痛点，SpecV 将开放式评测解构为可独立二值判定的原子规约验证协议（SVP），配合多模型集成与细化管线（SER），构建了包含 1,200 个实例和 17,604 条规约的 SpecV-Bench，大幅提升了跨裁判一致性与评测复现性。
Swap the Right Identity: Spatio-Temporal Preference Optimization for Identity Swapping: 针对角色换脸中身份一致性、背景保真度与姿态结构稳定性难以兼顾的权衡死锁，本文提出时空身份偏好对齐框架 SIPA，通过空间维度的区域加权偏好（RWP）聚焦关键区域梯度，结合时间维度的低噪步门控身份偏好（TIP），实现了高保真且姿态结构无损的角色身份替换。
Temporally Stable Generative Illumination with a One-Step Diffusion Model: 针对神经全局光照生成推理缓慢与时序闪烁的瓶颈，本文提出基于蒸馏单步扩散模型和双 Adapter 多条件注入的屏幕空间间接光照生成方案，并搭配即插即用的时序 VAE 解码器，在单帧仅需 0.29 秒下实现了几何严格对齐且高度时序稳定的前向神经渲染。
The Map Is Not the Territory: Embedding-Coverage Blacklists for Safe Diffusion Steering: 针对文生图扩散模型轨迹引导防御中长期依赖人工黑名单的瓶颈，本文揭示了黑名单有效性取决于嵌入空间几何覆盖度而非词条字面质量与数量的本质，并提出了结合强化学习离散提示优化与嵌入空间最大最小距离贪心选择的自动化黑名单生成与动态路由框架 MAPS，在不修改模型参数的前提下将攻击成功率相对降低 25%–52%。
The Path to Reconciling Quality and Safety Alignment in Text-to-Image Generation: 针对文生图模型安全对齐中过度惩罚导致图像质量与指令遵循能力下降的零和困境，本文提出涵盖双维度标注数据集 LibraAlign-100K、协同偏好优化算法 T2I-SPO 以及兼顾安全与美学的评估指标 UAScore 的统一框架，在消除多类别有害概念的同时保持了卓越的生成质量。
TiltDiff: Tilted Weight-Space Diffusion for Neural Network Generation: TiltDiff 提出了一种面向神经网络权重生成的性能倾斜潜在扩散框架，通过排列对齐与 Transformer 自编码器将网络参数投影至低维隐空间，并利用验证集准确率加权扩散去噪目标，在维持表征多样性的同时偏向生成高性能、高鲁棒性的网络参数。
TOPA: Mitigating Concept Dominance in Diffusion Personalization via Target-Oriented Perturbation Augmentation: 针对少样本扩散模型个性化中概念主导（主体忠实但背景上下文被严重压制）的问题，TOPA 提出一种仅基于参考图像的离线数据增强方案，通过主体隔离合成丰富背景分布，并交替优化图像微小扰动以重平衡词元-区域交叉注意力，在无需改动任何下游微调算法的前提下显著恢复上下文可控性。
UF0-6D: Unified Flow-based Zero-Shot 6D Object Pose Estimation without Refinement: UF0-6D 将零样本 6D 目标位姿估计重新构建为 \(SE(3)\) 流形上的条件黎曼流匹配问题，通过测地线一致桥接速度场与对称感知黎曼最优传输监督，以单次常微分方程（ODE）积分采样彻底替代传统粗配准级联与渲染比对（render-and-compare）迭代精炼。
UltraGen: Efficient Ultra-High-Resolution Image Generation with Hierarchical Local Attention: 针对文生图扩散 Transformer 在 4K/8K 超高分辨率下自注意力计算爆炸与高分辨率训练数据匮乏的双重瓶颈，提出 UltraImageGen 框架，通过窗口优先排列的局部窗口注意力将序列复杂度从二次方降至近线性，并结合位置缩放的低分辨率潜变量提供全局语义锚点与 LoRA 轻量联合去噪，无需任何原生高分辨率数据即可实现高质量、超 10 倍加速的 8K 级图像生成。
UNet-Twice: A Simple Structured Reference-based Inpainting Framework: 提出 UNet-Twice 框架，通过在单次前向过程中复用同一个扩散 UNet 两次并结合互补掩码与粗几何对齐，无需增加额外分支或跨注意力模块即可实现高保真参考引导图像修复。
Unifying CNNs and ViTs for Learning-Efficient and Scalable Variational AutoEncoder: TransVAE 提出一种融合浅层 CNN 局部前向提取与深层 Transformer 全局上下文建模的混合 VAE 架构，通过纯 RoPE 位置编码、多级卷积下采样与卷积前馈网络，实现极高的训练收敛效率、强鲁棒的单分辨率训练高分辨率外推能力以及 44M 到 2.3B 参数的可预测扩展性。
UniScale: Arbitrary-Scale Anomaly Generation: 针对工业缺陷检测中真实异常样本匮乏且现有扩散模型因极端下采样导致小尺度缺陷特征严重丢失的问题，UniScale 提出了抑制插值误差的多尺度训练策略（EMT）与先生成后融合去噪策略（GFD），实现了兼顾局部精细纹理与全局位置先验的任意尺度高质量工业异常生成。
V-HOLD: Stabilizing Flow Trajectories to Rethink the Edit–Preservation Trade-off: 针对流匹配图像编辑中增强编辑强度必然破坏源图保真度的顽疾，本文发现轨迹积分不稳定性才是非目标区域退化的核心诱因，进而提出无需训练的 V-HOLD 机制，通过锚点步参考对齐优选与跨步速度保持，在大幅减少模型推理评估次数的同时显著提升语义保真度。
Walk through Paintings : Ego-centric World models from Internet Priors: EgoWM 提出了一种架构通用的动作条件注入范式，将压缩对齐后的动作序列复用到底层视频扩散模型的去噪时间步调制通道，无需重构主干网络即可将大规模互联网预训练视频模型转化为支持 3-DoF 导航与 25-DoF 人形机器人全身操纵的高精度第一人称世界模型，并提出了基于被动场景追踪的结构一致性评估指标 SCS。
WALL-EVE: World Alignment with Rule Learning in Visual Environments: 针对视觉具身环境中生成式世界模型训练繁重且频现物理规则幻觉的缺陷，WALL-EVE 提出一种免训练的神经符号世界模型对齐范式，通过多模态解析与冲突驱动的 Python 规则归纳剪枝校准 LLM 状态转移预测，在模型预测控制下以仅 17% 的 token 消耗在 ALFWorld 和 Minecraft 任务中取得显著超越前序 SOTA 的成功率。
When Higher Order Hurts: Pre-Asymptotic Order Collapse in Generative ODE Sampling — A Theory of Discretization–Learning Interaction: 通过后向误差分析揭示离散化与学习误差的乘性交互项 \(h^k \nabla^k \varepsilon\) 是导致低 NFE 下高阶求解器性能劣于一阶 Euler 的元凶，并推导出预测转折步长 \(h^*\) 与零额外计算开销的粗糙度自适应求解器。
Zero-Shot Image Personalization from Personas: ZIPP 将自然语言用户画像作为可解释的偏好条件，让大语言模型通过角色扮演改写图像提示词，并用视觉对齐的社交图编码器挖掘画像；它无需逐用户微调即可改善个性化生成，但“零样本”指画像给定后的生成接口，不代表画像构建完全不需要用户数据。
μFlow: Leveraging Average Images for Improving Generalisation of Deepfake Faces Detectors: 针对现有 Deepfake 检测器在未见生成器上泛化性能大幅崩塌的问题，μFlow 提出一种仅依赖真实人脸训练的单分类框架，通过挖掘多张真实人脸平均图所构建的判别性隐空间，利用归一化流将单张图像特征对齐至该目标高斯混合分布，以对数似然度量异常，在包含 19 种未见 GAN 与扩散模型的极端跨域评测中全面超越 SOTA。
无滤波快照高光谱成像：基于引导Patch扩散模型: 本文提出一种基于 patch 条件扩散模型的无滤波快照高光谱成像方法，仅用一片衍射透镜（metalens）加无滤波全色传感器拍摄单张灰度图，即可重建出 H×W×31 的高光谱图像；核心是在推理时通过光学点扩散函数（PSF）的物理一致性引导同步各 patch 预测，在 ARAD1K 上以 34.6 dB PSNR 超越此前最优方法近 2.9 dB，并能提供与重建误差高度相关（r=0.80）的逐像素不确定性估计。