Topic · 230 篇
图像编辑与可控生成
在已有图像上做可控修改。输入一张图，输出它的修改版。
这个方向的收录判据
在已有图像/视频上做可控修改，或对生成过程施加条件控制。包括 inpainting、 style transfer、image-to-image、ControlNet 类条件控制、指令编辑、换脸、 虚拟试衣、文本引导编辑。判据：输入包含一张实际图像，输出是它的修改版。
本方向全部 230 篇
你的潜变量掩码是错的：面向扩散模型的像素等价潜变量合成
Your Latent Mask is Wrong: Pixel-Equivalent Latent Compositing for Diffusion Models
把「潜空间合成应当等价于像素空间合成」作为设计准则，用一个轻量 Transformer 预测逐通道混合权重与离流形残差修正，使扩散模型在 8 倍压缩的 VAE 潜变量上也能实现全分辨率掩码与软边缘 alpha 合成；做图像修复、局部编辑或任何需要掩码融合的扩散流程时，可直接替换线性潜变量插值这一环节，且无需微调骨干网络。
一次擦除即止：擦除任意目标而不引入意外内容
You Only Erase Once: Erasing Anything without Bringing Unexpected Content
用实体分割模型构建的杂物检测器与上下文一致性损失，在无配对真实图像上监督扩散模型做目标擦除，可直接迁移到 inpainting/物体移除任务的数据构造与约束设计；扩散蒸馏得到的少步擦除模型也为编辑类扩散模型的推理加速提供参考。
VisionDirector：视觉语言引导的闭环优化用于生成式图像合成
VisionDirector: Vision-Language Guided Closed-Loop Refinement for Generative Image Synthesis
提出一种无需训练的视觉语言监督器，通过结构化目标提取、动态决策、微网格采样与语义验证回滚，实现长指令下的闭环图像生成与编辑；并利用Group Relative Policy Optimization微调规划器，为可控生成提供可复用的规划与验证框架。
VideoCoF：基于时序推理器的统一视频编辑
VideoCoF: Unified Video Editing with Temporal Reasoner
把「先预测编辑区域隐变量、再生成目标视频」的思维链式两阶段生成范式引入视频扩散模型，用推理 token 替代用户掩码实现指令到区域的精确对齐；其 RoPE 对齐策略还可用于超出训练时长的视频长度外推，对做指令驱动编辑与长视频生成的人可直接复用。
Vanast：通过合成三元组监督实现结合人体动画的虚拟试衣
Vanast: Virtual Try-On with Human Image Animation via Synthetic Triplet Supervision
将图像虚拟试衣与姿态驱动人体动画合并为单步统一生成，并用合成三元组监督（人物-服装-姿态视频）训练视频扩散 Transformer；其数据构造管线与 Dual Module 架构可直接迁移到需要身份保持的可控视频生成任务。
VIVA：基于 VLM 引导与奖励优化的指令驱动视频编辑
VIVA: VLM-Guided Instruction-Based Video Editing with Reward Optimization
把 VLM 作为指令编码器，将文本指令、首帧和参考图编码成视觉接地的指令表示，再送入扩散 Transformer 主干；并用 Edit-GRPO 以相对奖励直接优化指令遵循、内容保持与美学质量，这套「VLM 编码 + 强化学习后训练」组合可迁移到其他条件生成任务。
VINS-120K：基于大规模数据集的超高清图像编辑
VINS-120K: Ultra High-Resolution Image Editing with A Large-Scale Dataset
针对超高清图像编辑中高频纹理细节难以建模的问题，提出高频感知的后适配策略，可将预训练的非高清编辑模型扩展到超高清域，为高分辨率生成与编辑提供可复用的微调思路。
VDFE：基于非侵入式视频扩散先验的差异感知3D场景编辑，实现多视图一致性与高效性
VDFE: Difference-Aware 3D Scene Editing with Non-Intrusive Video Diffusion Priors for Multi-View Consistency and Efficiency
将视频扩散模型作为非侵入式先验，通过最优控制优化无噪声编辑轨迹，并利用流差异精确定位编辑区域，为3D场景编辑提供多视图一致且高效的新思路。
V-RGBX：对内在属性进行精确控制的视频编辑
V-RGBX: Video Editing with Accurate Controls over Intrinsic Properties
把视频逆渲染得到的内在通道（albedo/normal/material/irradiance）当作可编辑的中间表示，用交错条件机制在关键帧上做物理合理的编辑传播，为可控视频生成提供了「先分解再编辑」的可复用范式。
Unsafe2Safe：兼顾下游效用的可控图像匿名化
Unsafe2Safe: Controllable Image Anonymization for Downstream Utility
用视觉语言模型生成成对的私有/公开描述并让大语言模型产出结构化编辑指令，再以双提示词驱动扩散编辑器只重写敏感区域，这套「检测—指令—局部编辑」流程可直接迁移到数据清洗、人脸/文本脱敏和可控局部重绘任务。
基于解耦奖励建模的统一定制化生成
Unified Customized Generation by Disentangled Reward Modeling
把主体定制与风格定制统一到一个框架，并用辅助风格奖励对齐风格与内容特征，为个性化生成中「参考图多属性解耦」提供了可复用的奖励建模思路，可直接迁移到其他条件生成任务的多条件控制。
UniVerse：面向无分割、解耦多概念个性化的统一调制框架
UniVerse: A Unified Modulation Framework for Segmentation-Free, Disentangled Multi-Concept Personalization
在扩散 Transformer 中通过调制实现无需分割掩码的多概念解耦与组合，可直接复用于个性化生成与概念编辑，避免依赖分割监督。
UniGen-1.5：通过强化学习中的奖励统一增强图像生成与编辑
UniGen-1.5: Enhancing Image Generation and Editing through Reward Unification in RL
用共享奖励模型把图像生成与编辑的 RL 训练统一起来，并先做轻量编辑指令对齐再上 RL，这套「先对齐指令、再统一奖励」的流程可直接迁移到其他统一生成/编辑模型的训练中。
UniEdit-I：通过迭代理解、编辑与验证实现统一VLM的免训练图像编辑
UniEdit-I: Training-free Image Editing for Unified VLM via Iterative Understanding, Editing and Verifying
提出在统一VLM的语义潜空间中构建理解-编辑-验证闭环，利用VLM的多模态推理能力实时评估中间结果并动态调整编辑强度，为图像编辑提供免训练、自校正的新范式。
迈向免训练的场景文本编辑
Towards Training-free Scene Text Editing
把「流形引导 + 注意力增强」做成无需训练的即插即用模块，可直接迁移到任意扩散/流模型的图像局部编辑任务（如文字替换、风格保持修复），省去逐任务微调与配对数据。
面向复杂图像编辑的鲁棒序列分解
Towards Robust Sequential Decomposition for Complex Image Editing
把复杂指令式编辑拆成多步序列执行，并用合成数据管线构造带高质量分解序列的大规模编辑数据集，再与真实编辑数据联合训练实现 sim-to-real 迁移；对做指令编辑、组合式编辑的研究者，这套分解范式与数据构造方式可直接复用。
面向高分辨率与解耦的基于参考的草图上色
Towards High-resolution and Disentangled Reference-based Sketch Colorization
以 SDXL 为骨干、草图作空间引导、RGB 参考图作颜色参考的参考式草图上色框架，其拆分交叉注意力加空间掩码分别处理前景/背景、以及用 tagger 网络提取属性级控制信号的思路，可直接迁移到其他需要区域解耦与细粒度参考控制的图像生成/编辑任务。
TokenLight：使用属性 token 实现图像中的精确光照控制
TokenLight: Precise Lighting Control in Images using Attribute Tokens
把光照属性（强度、颜色、环境光、漫反射程度、3D 光源位置）拆成独立 token 做条件控制，为图像编辑类工作提供了「属性解耦 + 连续可调」的条件注入范式，可直接迁移到材质、阴影、色温等其他连续编辑维度。
TherA：热感知视觉语言提示用于可控 RGB 到热红外翻译
TherA: Thermal-Aware Visual-Language Prompting for Controllable RGB-to-Thermal Infrared Translation
TherA 将视觉语言模型（VLM）作为条件编码器，把用户提示的场景-物体条件对映射为热感知嵌入，再驱动潜扩散模型实现可控的 RGB 到热红外翻译；这种“VLM 编码条件 + 扩散解码”的范式可复用到其他需要物理属性感知的跨模态图像翻译任务（如 RGB 到近红外、深度、事件相机）。
魔鬼藏在注意力共享中：通过注意力协同提升复杂非刚性图像编辑的保真度
The Devil is in Attention Sharing: Improving Complex Non-rigid Image Editing Faithfulness via Attention Synergy
针对扩散模型注意力共享中位置嵌入与语义特征失衡导致的注意力坍缩问题，提出按去噪步量化编辑幅度并动态调制位置嵌入影响的注意力协同流程，可直接复用于免训练编辑中保真度与编辑强度的平衡控制。
一致性评论器：通过参考引导的注意力对齐纠正生成图像中的不一致
The Consistency Critic: Correcting Inconsistencies in Generated Images via Reference-Guided Attentive Alignment
把参考图引导的后编辑作为修正生成不一致的手段，并给出基于注意力对齐损失与细节编码器的可复用修正模块，可嵌入智能体做多轮局部编辑，为定制化生成的一致性修复提供思路。
TextPecker：以奖励方式量化结构异常以增强视觉文本渲染
TextPecker: Rewarding Structural Anomaly Quantification for Enhancing Visual Text Rendering
把「结构异常感知」做成可微/可打分的奖励信号，用于对任意文生图模型做 RL 微调；对做可控生成、奖励建模或 OCR 辅助生成的研究者，这套字符级异常标注数据集 + 笔画编辑合成引擎可直接复用来构造更干净的奖励。
TempoControl：面向文本到视频模型的时序注意力引导
TempoControl: Temporal Attention Guidance for Text-to-Video Models
利用文本到视频扩散模型中的交叉注意力图作为可优化的控制信号，在推理阶段对概念出现的时间位置进行对齐，无需重训练；这一思路可迁移到任何基于交叉注意力的可控生成任务（如空间布局控制、视频编辑中的时序一致性约束）。
Tea-Adapter：面向高效条件生成的教师适配器
Tea-Adapter: Teacher Adapter for Efficient Conditional Generation
用小型已调好的教师扩散模型通过逆蒸馏把精确控制能力迁移进十亿参数视频 DiT，配合 Mixture of Condition Experts 在统一结构里动态路由多条件输入，为可控视频生成提供了一条免全量微调、低显存可复用的适配器路线。
Talk2Move：基于强化学习的场景中文本指令物体级几何变换
Talk2Move: Reinforcement Learning for Text-Instructed Object-Level Geometric Transformation in Scenes
将强化学习（GRPO）与扩散模型结合，通过设计物体级空间奖励（位移、旋转、缩放）实现文本指令驱动的物体几何变换，为可控图像编辑提供了一种无需配对监督的优化范式。
TGT：面向局部可控视频生成的文本接地轨迹
TGT: Text-Grounded Trajectories for Locally Controlled Video Generation
把点轨迹当作直观的运动句柄，并与局部文本配对，通过位置感知交叉注意力注入扩散/流模型，为视频生成提供细粒度、多目标的局部运动与外观控制；双CFG分别调节局部与全局文本引导的思路可直接迁移到其他条件控制生成任务。
StyleTextGen：风格条件化的多语言场景文字生成
StyleTextGen: Style-Conditioned Multilingual Scene Text Generation
双分支风格编码器从复杂背景中解耦文字风格表征，配合掩码引导推理在生成时做字符级风格对齐，这套「参考图风格注入 + 掩码约束采样」的范式可直接迁移到字体风格迁移、艺术字生成与跨文字系统的风格一致生成任务。
StyleGallery：面向任意图像参考的免训练且语义感知的个性化风格迁移
StyleGallery: Training-free and Semantic-aware Personalized Style Transfer from Arbitrary Image References
用潜扩散特征做自适应聚类得到语义区域，再以块过滤匹配和区域风格损失引导扩散采样，为免训练风格迁移提供了可复用的区域级对齐与能量函数优化范式。
Stand-In：一种轻量且即插即用的视频生成身份控制方法
Stand-In: A Lightweight and Plug-and-Play Identity Control for Video Generation
通过受限自注意力与条件位置映射把条件图像分支注入预训练视频生成模型，仅用约1%额外参数即可实现身份可控生成，为视觉研究者提供了一种低成本、可复用的个性化/换脸/姿态参考视频生成控制接口。
SpotEdit：扩散 Transformer 中的选择性区域编辑
SpotEdit: Selective Region Editing in Diffusion Transformers
SpotSelector 用感知相似度判定哪些 token 在编辑中保持稳定并直接复用条件图像特征，SpotFusion 再做动态融合——这套「只去噪变化区域」的免训练策略可直接移植到任何 DiT 类编辑/修复管线，用来省算力并避免未编辑区域被破坏。
SplitFlux：从单张图像学习解耦内容与风格
SplitFlux: Learning to Decouple Content and Style from a Single Image
对 Flux 单流块做 LoRA 微调并按秩约束与显著性门控拆分内容/风格分支，为视觉研究者提供了一个可直接复用的「从单图分离内容与风格再重嵌入新语境」的定制化生成流程，也可迁移到其他 DiT 架构的可控编辑。
SpatialDiff：通过隐式空间建模实现三维感知的物体移动
SpatialDiff: 3D-Aware Object Movement via Implicit Spatial Modeling
把隐式三维空间先验注入扩散编辑模型，并用全局空间监督约束潜变量，为在复杂遮挡与跨深度场景下做一致的对象移动提供可复用思路。
SliderEdit：基于细粒度指令控制的连续图像编辑
SliderEdit: Continuous Image Editing with Fine-Grained Instruction Control
把多段编辑指令解耦成可连续调节的滑块，用一组共享的低秩适配矩阵实现强度插值，可直接套用到 FLUX-Kontext、Qwen-Image-Edit 等指令编辑模型上，为交互式编辑提供细粒度控制手段。
SkyReels-Text：面向海报设计的细粒度字体可控文本编辑
SkyReels-Text: Fine-Grained Font-Controllable Text Editing for Poster Design
提出无需字体标签和测试时微调的字形条件注入机制，可复用于任意字体风格迁移与文本区域编辑任务，为可控生成中的细粒度风格控制提供新思路。
SketchRevive：扩散先验引导多模态大语言模型的细粒度像素到矢量草图补全
SketchRevive: Fine-Grained Pixel-to-Vector Sketch Completion with Diffusion-Prior-Guided Multimodal LLMs
把扩散模型的多尺度 UNet 特征与线条预测 logits 注入 MLLM 视觉嵌入并做词元压缩，这一「扩散先验聚合编码」思路可迁移到任何需要把像素级生成先验喂给多模态大模型的图像编辑/矢量化任务。
SketchDeco：面向精确草图上色的免训练潜空间组合方法
SketchDeco: Training-Free Latent Composition for Precise Sketch Colourisation
把扩散反演当作精确的局部「上色」工具，再用自定义自注意力把局部编辑与全局底图融合，这套免训练的潜空间组合流程可直接迁移到 inpainting、局部风格编辑等需要区域一致性的可控生成任务。
SketchAssist：面向语义编辑与精确局部重绘的实用助手
SketchAssist: A Practical Assistant for Semantic Edits and Precise Local Redrawing
将 DiT 与任务引导的混合专家（T-MoE）结合到低秩适配层中，为草图编辑提供统一框架，可复用于其他需要同时处理语义修改与局部重绘的可控生成任务。
语义导数流：用于可控实例交互的图引导扩散
Semantic Derivative Flow: Graph-Guided Diffusion for Controllable Instance Interactions
将实例间的交互关系建模为有向无环图，并通过导数注意力机制强制谓词表征由主语派生、宾语由谓词派生，为可控生成中「多实例交互」这一难点提供了可复用的结构化条件注入思路。
语义上下文很重要：改进自回归模型的条件控制
Semantic Context Matters: Improving Conditioning for Autoregressive Models
把语义条件从解码阶段的稀疏视觉 token 注入提前到输入阶段的压缩语义预填充，并配合语义对齐引导，可作为即插即用模块迁移到 next-token 与 next-scale 两类自回归生成/编辑框架中。
面向姿态不变身份保持扩散的语义对齐
Semantic Alignment for Pose-Invariant Identity Preserving Diffusion
免训练的身份保持生成框架，通过语义匹配注入参考外观并用 guidance delta 调和文本-外观冲突，可直接用于姿态变化下的人物/动物个性化生成，避免对主体进行『再想象』。
SemLayer：面向抽象图标的语义感知生成式分割与图层构建
SemLayer: Semantic-aware Generative Segmentation and Layer Construction for Abstract Icons
将扁平化矢量图标分解为语义层，为编辑、重着色和动画提供可操作的分层结构；其语义补全和遮挡关系推断方法可迁移到其他需要恢复遮挡结构的图像编辑任务。
基于可解释潜变量奖励的自纠正图像生成
Self-Corrected Image Generation with Explainable Latent Rewards
把不可微的图像级评价（MLLM 打分）通过可微映射转成潜变量空间的连续奖励梯度，再用轻量 corrector 在采样过程中修正潜变量——这套「潜变量奖励 + 自纠正」机制可直接迁移到任何 diffusion/flow 采样器的对齐微调或测试时优化中。
选择性地提取视觉属性并注入文本到图像模型
Selectively Extracting and Injecting Visual Attributes into Text-to-Image Models
通过优化单个文本词元并引入蒸馏/残差双嵌入，把参考图中的形状、材质、姿态、镜头角度等属性解耦后注入 T2I 生成，可作为无需微调模型即可实现属性级可控生成的即插即用手段。
SeeThrough3D：文本到图像生成中的遮挡感知三维控制
SeeThrough3D: Occlusion Aware 3D Control in Text-to-Image Generation
将三维布局中的遮挡关系显式编码为半透明三维框渲染，并通过掩码自注意力绑定物体与文本，为布局可控生成提供可复用的遮挡感知条件注入方式。
Scone：通过统一理解-生成建模弥合主体驱动图像生成中的组合与区分
Scone: Bridging Composition and Distinction in Subject-Driven Image Generation via Unified Understanding-Generation Modeling
把理解专家当作语义桥梁，向生成专家传递语义并配合注意力掩码抑制主体间干扰，为多主体个性化生成中「选对主体」的问题提供了可复用的两阶段训练与掩码引导思路。
以多对多匹配范式扩展图像定制中的多身份一致性
Scaling Multi-Identity Consistency for Image Customization via Multi-to-Multi Matching Paradigm
把多身份图像定制建模为多对多全局分配优化问题，可作为一种通用后处理/匹配模块嵌入现有定制方法（如 IP-Adapter、DreamBooth 类），解决多参考图下的身份串扰；其身份混淆指标也可直接用于评测多主体生成。
以高质量合成数据集扩展指令式视频编辑
Scaling Instruction-Based Video Editing with a High-Quality Synthetic Dataset
用「图像编辑器 + 上下文视频生成器 + 智能体过滤」的流水线批量合成百万级指令式视频编辑数据，并用蒸馏模型加时序增强器压低生成成本；做视频编辑或可控生成的人可以直接复用这套数据构造与课程学习训练范式。
说茄子！通过自然语言编辑生成细节保持的人像集合
Say Cheese! Detail-Preserving Portrait Collection Generation via Natural Language Edits
提出基于自然语言指令的人像集合生成任务，并设计自适应特征融合与 ConsistencyNet 来在复杂编辑下保持身份与细节一致性，为可控人像编辑提供了可复用的数据构建流程与一致性保持模块。
SMRABooth：面向定制视频生成的主体与运动表征对齐
SMRABooth: Subject and Motion Representation Alignment for Customized Video Generation
利用自监督编码器和光流编码器提供对象级主体外观与运动表征，并通过稀疏低秩适配注入实现主体与运动的解耦控制，为视频定制生成中的主体保真与运动一致性提供可复用方案。
SimplePoster：产品海报生成的简单基线
SIMPLEPOSTER: A SIMPLE BASELINE FOR PRODUCT POSTER GENERATION
提出一种极简的图像修复框架，通过全参数微调和字符级位置编码实现主体保持与位置可控的文本渲染，无需 ControlNet 等外部控制器，为可控生成提供了轻量级替代方案。
SIGMA：基于多属性 token 的选择性交错生成
SIGMA: Selective-Interleaved Generation with Multi-Attribute Tokens
SIGMA 提出在扩散 Transformer 中通过选择性多属性 token 实现交错多条件生成，为视觉研究者提供了一种可复用的后训练框架，能灵活组合风格、内容、主体和身份等多种异构条件，提升编辑任务的可控性与跨条件一致性。
RewardFlow：通过优化你所奖励的目标来生成图像
RewardFlow: Generate Images by Optimizing What You Reward
把可微奖励（VQA 语义奖励 + SAM 定位奖励）作为推理时的引导信号注入预训练扩散/流匹配模型，并用提示感知的自适应策略调节更新步长，为免训练可控编辑提供了一个可插拔的奖励设计范式。
RetouchIQ：基于通用奖励的MLLM智能体用于指令式图像修饰
RetouchIQ: MLLM Agents for Instruction-Based Image Retouching with Generalist Reward
提出用强化学习微调的多模态大语言模型作为通用奖励模型，为基于指令的图像编辑提供可验证的奖励信号，可复用于其他需要主观评价的生成任务（如风格化、美学优化）。
重新思考文生视觉生成中推理时扩展的提示词设计
Rethinking Prompt Design for Inference-time Scaling in Text-to-Visual Generation
把推理时扩展从「多采样视觉结果」扩展到「同步改写提示词」，并给出元素级事实校验器作为对齐反馈信号；做文生图/文生视频时可直接复用该「生成—诊断失败模式—重写提示词—再生成」的闭环，替代单纯增加采样步数或随机种子。
重打光视频人像协调
Relightful Video Portrait Harmonization
提出基于视频扩散模型的重打光协调框架，利用去闪烁模型稳定逐帧协调结果以生成训练数据，并用非对称 alpha 掩码条件学习干净边界，可复用于视频编辑中的时序一致性与边界处理。
RegionRoute：基于扩散模型的区域风格迁移
RegionRoute: Regional Style Transfer with Diffusion Model
通过将风格 token 的注意力分数与物体掩码对齐，实现无需推理时掩码的局部风格迁移；其注意力监督思路（KL 聚焦损失 + BCE 覆盖损失）可迁移到任何需要空间约束的扩散编辑任务，如局部重绘、属性编辑与个性化生成。
Refacade：使用给定参考纹理编辑物体
Refacade: Editing Object with Given Reference Texture
提出基于配对3D网格渲染训练纹理移除器，并结合拼图置换破坏参考图全局布局，实现从参考物体到目标物体的局部纹理迁移；该解耦思路可复用于视频编辑中的外观控制与结构保持。
RefTon：参考人物照片辅助的虚拟试衣
RefTon: Reference person shot assist virtual Try-on
用无配对参考图（同一件衣服穿在不同人身上）替代 body parsing 与 warped mask 等结构引导，为条件生成提供纹理对齐信号；做可控人像生成或试衣时可借鉴其「参考图即条件」的简化输入范式与配套数据集构建方式。
RecEdit-Drive：面向自动驾驶场景的3D重建引导时空视频编辑
RecEdit-Drive: 3D Reconstruction-Guided Spatiotemporal Video Editing for Autonomous Driving Scenes
利用3D重建得到的背景结构作为扩散去噪早期的参考，并通过空间特征变形约束动态前景物体的编辑，为视频编辑中保持动态3D对象时空一致性提供了可复用的思路。
ReasonEdit：面向推理增强的图像编辑模型
ReasonEdit: Towards Reasoning-Enhanced Image Editing Models
把冻结的 MLLM 编码器解锁为可推理模块，用「思考—编辑—反思」循环让模型理解抽象指令并自动纠错，为指令式编辑提供了一条不依赖更多配对数据、而靠推理提升精度的可复用范式。
ReDirector：用旋转相机编码生成任意长度视频重拍
ReDirector: Creating Any-Length Video Retakes with Rotary Camera Encoding
把相机位姿编码为 RoPE 相位偏移（RoCE），使视频扩散模型能泛化到训练分布外的相机轨迹与任意长度；做相机可控视频生成/重拍时可直接复用这一条件注入方式，替代外挂相机编码器。
Re-Align：面向上下文图像生成与编辑的结构化推理引导对齐
Re-Align: Structured Reasoning-guided Alignment for In-Context Image Generation and Editing
将结构化思维链推理与强化学习结合，用于对齐多模态模型的理解与生成能力，可复用于需要精确遵循图文交错指令的图像生成与编辑任务。
RFDM：用于视频编辑的残差流扩散模型
RFDM: Residual Flow Diffusion Models for Video Editing
把 2D 图生图扩散模型改造成因果逐帧的视频编辑器，用 t-1 步预测作为条件、并让前向过程预测相邻帧残差，从而以图像级算力处理任意长度视频；这套「残差流 + 自回归条件」思路可直接迁移到其他需要变长、低算力的视频生成/编辑任务。
RAISE：面向免训练文本到图像对齐的需求自适应进化精修
RAISE: Requirement-Adaptive Evolutionary Refinement for Training-Free Text-to-Image Alignment
把 T2I 生成当作需求驱动的测试时搜索：用结构化需求清单驱动 VLM 验证，只在未满足项上分配提示词重写、噪声重采样与指令编辑等精修动作，可作为即插即用的免训练推理框架套到任意扩散模型上，替代固定迭代预算的 scaling。
Qwen-Image-Layered：通过图层分解实现内在可编辑性
Qwen-Image-Layered: Towards Inherent Editability via Layer Decomposition
把单张 RGB 图分解为多个语义解耦的 RGBA 图层，使编辑只需改动单个图层即可保持其余内容一致；RGBA-VAE 统一 RGB/RGBA 潜变量表示与可变层数 MMDiT 的设计，可直接迁移到需要分层表示的编辑、合成与重渲染流程。
PureCC：面向文本到图像概念定制的纯学习
PureCC: Pure Learning for Text-to-Image Concept Customization
提出解耦学习目标与双分支训练流程，在注入个性化概念的同时显式约束原模型行为漂移，并给出自适应引导尺度 l*；做个性化生成或微调扩散模型时可直接借鉴其「冻结提取器提供隐式引导 + 可训练流模型保留原条件预测」的结构来缓解灾难性遗忘。
Proxy-Tuning：为多模态自回归模型定制主体驱动图像生成能力
Proxy-Tuning: Tailoring Multimodal Autoregressive Models for Subject-Driven Image Generation
用扩散模型作为「代理监督」微调多模态自回归模型，使其获得主体驱动生成能力，并揭示弱到强泛化现象；对做个性化生成的人，这是一条绕开扩散架构、把 AR 模型拉进主体定制任务的可行路径，也提示可用强模型监督弱模型来补齐架构短板。
扩散模型中原型引导的概念擦除
Prototype-Guided Concept Erasure in Diffusion Models
利用扩散模型文本嵌入空间的几何结构，通过聚类得到概念原型，并在推理时作为负条件信号，为概念擦除和负向引导提供了一种无需微调的通用手段，可直接迁移到其他需要抑制特定语义的生成控制场景。
PropFly：借助预训练视频扩散模型的在线监督学习传播
PropFly: Learning to Propagate via On-the-Fly Supervision from Pre-trained Video Diffusion Models
利用预训练视频扩散模型在不同 CFG 尺度下的一步干净潜变量估计，在线构造源/编辑潜变量对，从而免去成对视频编辑数据集；这一在线监督思路可直接迁移到其他需要成对数据的视频编辑或可控生成任务中。
PromptLoop：基于潜变量反馈的即插即用提示词精炼框架，用于扩散模型对齐
PromptLoop: Plug-and-Play Prompt Refinement via Latent Feedback for Diffusion Model Alignment
把提示词精炼做成逐步闭环的 RL 策略：用 MLLM 读取扩散模型中间潜变量并逐步改写提示词，从而在不改权重的前提下实现奖励对齐，可直接迁移到文生图/编辑的偏好优化与少步采样场景。
PrivateEyes：面向数据共享的注视保持匿名化
PrivateEyes: Gaze-Preserving Anonymization for Data Sharing
用分割掩码与眼姿态作为条件驱动扩散模型合成匿名化眼图，在保留注视方向的同时破坏虹膜身份特征，为隐私敏感场景下的条件生成与身份-任务解耦提供了可复用的三阶段范式。
保留源视频真实感：面向电影级画质的高保真换脸
Preserving Source Video Realism: High-Fidelity Face Swapping for Cinematic Quality
把参考引导图像编辑中的「参考图注入属性」思路迁移到视频换脸：用关键帧作为身份条件信号、用源视频作为参考引导，并通过时序拼接保证长视频的身份稳定与高保真重建，为长视频可控编辑提供了可复用的条件注入与时序缝合范式。
Premier：文本到图像生成中基于可学习用户嵌入的个性化偏好调制
Premier: Personalized Preference Modulation with Learnable User Embedding in Text-to-Image Generation
把用户偏好编码为可学习嵌入，并通过适配器与文本提示融合后调制扩散生成过程，为个性化文生图提供了一种无需 MLLM 推断提示的轻量条件控制路径；分散损失强制不同用户嵌入分离的思路也可迁移到多概念定制化生成。
基于自适应目标感知注意力的精确物体与效果移除
Precise Object and Effect Removal with Adaptive Target-Aware Attention
自适应目标感知注意力把前景移除与背景重建解耦，并用学到的注意力图做推理期融合；做扩散图像修复/擦除时可直接借鉴这种解耦式注意力设计与注意力引导融合策略，避免背景被改写。
PosterOmni：通过任务蒸馏与统一奖励反馈实现泛化艺术海报创作
PosterOmni: Generalized Artistic Poster Creation via Task Distillation and Unified Reward Feedback
把局部编辑（ID 驱动、缩放、填充、外扩）与全局创作（布局/风格驱动）统一进一个基础编辑模型，并用「数据蒸馏 + 统一奖励反馈」的流水线做多任务对齐，这套任务蒸馏与奖励联合对齐的做法可直接迁移到其他多任务可控生成场景。
PositionIC：面向图像定制的统一位置与身份一致性
PositionIC: Unified Position and Identity Consistency for Image Customization
用 NeRF 式体素权重调节的可见性感知注意力，把实例级空间嵌入与语义身份特征解耦，可直接迁移到任何需要精确布局控制的多主体生成/编辑框架中；BMPDS 自动数据合成管线也为位置标注数据稀缺问题提供了可复用方案。
PortraitDirector：面向可控实时人脸重演的分层解耦框架
PortraitDirector: A Hierarchical Disentanglement Framework for Controllable and Real-time Facial Reenactment
把面部运动拆成空间层（头姿+局部表情）与语义层（情绪）再重组为运动潜码，配合扩散蒸馏与因果注意力实现 20FPS 流式人脸重演，为可控人脸编辑提供了可复用的分层解耦与实时化方案。
PhotoFramer：多模态图像构图指令
PhotoFramer: Multi-modal Image Composition Instruction
把「构图指导」建模为文本指令加示例图的双输出任务，并给出用多视角数据加退化模型合成「构图差—构图好」配对的可复用数据构造流程，可直接迁移到其他需要成对编辑监督的图像生成任务。
PerformRecast：面向人像视频编辑的表情与头部姿态解耦
PerformRecast: Expression and Head Pose Disentanglement for Portrait Video Editing
用 3DMM 的分离参数（身份/表情/头姿）改造关键点变换公式，实现表情与头姿的解耦控制；并把人脸/非人脸区域解耦、用教师模型分别监督以消除边界错位，这两点可直接迁移到任何人脸驱动编辑或重演管线。
PSR：利用成对主体一致性奖励扩展多主体个性化图像生成
PSR: Scaling Multi-Subject Personalized Image Generation with Pairwise Subject-Consistency Rewards
提出可扩展的多主体数据生成管线与成对主体一致性奖励，结合强化学习后训练，可直接用于提升现有个性化生成模型在多主体场景下的主体保真度与文本可控性。
PSDesigner：具备类人创意工作流的自动化平面设计
PSDesigner: Automated Graphic Design with a Human-Like Creative Workflow
把图形设计建模为 MLLM 驱动的工具调用序列，在可编辑 PSD 文件上做资产检索、插入与元素精修；其 CreativePSD 数据集（带操作轨迹的 PSD 文件）可作为视觉研究者研究「可编辑分层图像生成/编辑」与「指令到操作序列」的监督来源。
PROMO：面向高效高保真虚拟试衣的可提示换装
PROMO: Promptable Outfitting for Efficient High-Fidelity Virtual Try-On
把虚拟试衣重新表述为结构化图像编辑问题，用 Flow Matching DiT 骨干网络加潜空间多模态条件拼接，并通过自参考机制减少采样步数与推理开销，为需要强主体保持与纹理迁移的可控生成任务提供了可复用的条件注入与加速思路。
POCA：面向视觉文本生成的帕累托最优课程对齐
POCA: Pareto-Optimal Curriculum Alignment for Visual Text Generation
把视觉文本生成中的文本准确率与图像美感/指令遵循的冲突建模为多目标优化，用帕累托最优集替代加权求和奖励，并配合自动难度评估的课程式提示选择；这套「帕累托奖励+课程采样」思路可直接迁移到任何需要多奖励 RL 微调的扩散生成任务（如编辑、个性化）。
PLACID：基于视频扩散与合成轨迹的身份保持多物体合成
PLACID: Identity-Preserving Multi-Object Compositing via Video Diffusion with Synthetic Trajectories
把预训练 I2V 扩散模型的时序先验当作多物体合成的『布局收敛机制』：随机初始化物体位置，让模型在视频帧序列中把它们平滑移动到目标布局，取最后一帧作为合成结果；这套『合成轨迹数据 + 末帧取图』的范式可迁移到任何需要多元素一致排布的可控生成任务。
PHAC：可提示的人体非模态补全
PHAC: Promptable Human Amodal Completion
将点级提示（关节、边界框）经 ControlNet 注入预训练扩散模型，并仅微调交叉注意力块以保持生成先验，这一「轻量适配 + 多类型提示编码」范式可直接迁移到其他需要用户精细控制的条件生成任务。
PG-VTON：基于图像块引导参考对齐的单次免训练虚拟试衣
PG-VTON: Single-Pass Training-Free Virtual Try-On via Patch-Guided Reference Alignment
把现成的图像修复扩散模型当作上下文补全器，仅用早期去噪步注入服装图像块、并在注意力层强化掩码区域 token 对服装 token 的关联，就能单次前向完成试衣；这套「不改权重、只调注入时机与注意力」的思路可直接迁移到其他参考图驱动的局部编辑任务。
P-Flow：以提示词驱动视觉特效生成
P-Flow: Prompting Visual Effects Generation
把视觉语言模型当作奖励/评判器，在测试时迭代优化文本提示词，从而免训练地为视频生成注入高层动态特效；这套「VLM 反馈 + 提示词迭代」的框架可直接迁移到风格化、物理现象模拟等难以用轨迹显式控制的可控生成任务。
OrthoFuse：面向扩散模型的正交风格-概念适配器免训练黎曼融合
OrthoFuse: Training-free Riemannian Fusion of Orthogonal Style-Concept Adapters for Diffusion Models
对做个性化/风格化扩散生成的人，这提供了一条无需再训练就能把主体适配器与风格适配器合并的路径：利用 GS 正交矩阵所在流形的测地线近似做乘法式适配器融合，并配合谱恢复变换保住融合后的频谱特性，可直接插到现有 OFT/LoRA 式微调流程里。
OrionEdit：连接参考图像与源图像以实现泛化的跨图像编辑
OrionEdit: Bridging Reference and Source Images for Generalized Cross-Image Editing
把「参考图→源图」的跨图像编辑形式化为可控生成任务，并用对称正交子空间解耦加反向因果注意力掩码约束潜变量单向依赖，这套解耦与信息流掩码思路可直接迁移到多条件控制、个性化生成与风格迁移中，用来抑制参考信息泄漏到不该改的区域。
OneHOI：统一人体-物体交互生成与编辑
OneHOI: Unifying Human-Object Interaction Generation and Editing
把人体-物体交互建模成角色/实例感知的 HOI token 加布局空间锚定，并用结构化注意力与 HOI RoPE 约束交互拓扑，这套条件注入方式可直接迁移到人物-物体合成、场景布局可控生成等需要多实体关系约束的扩散采样任务。
OmniGen2：迈向指令对齐的多模态生成
OmniGen2: Towards Instruction-Aligned Multimodal Generation
两阶段范式（先构建世界知识基础模型，再用渐进式多任务强化学习对齐）可直接迁移到任何需要细粒度指令遵循的视觉生成任务；解耦解码架构与新型位置编码方案为统一多模态生成器的效率设计提供参考。
Omni-Attribute：面向视觉概念个性化的开放词表属性编码器
Omni-Attribute: Open-vocabulary Attribute Encoder for Visual Concept Personalization
把「属性」当作可检索的开放词表嵌入来学习，用正负属性配对数据加对比解耦目标，替代通用编码器的整体嵌入；做个性化/风格迁移时可直接复用该编码器来隔离身份、光照、风格等单一因素，减少信息泄漏。
Omni-3DEdit：单次前向的通用多能 3D 编辑
Omni-3DEdit: Generalized Versatile 3D Editing in One-Pass
把指令驱动的 3D 编辑从「2D 模型引导 + 逐场景迭代优化」改为单次前向的生成模型：沿序列维拼接源视图 latent 与条件 token，并用双流 LoRA 分离不同视图线索，可直接复用到任何需要多视图一致编辑或免优化 3D 编辑的场景。
ObjectMorpher：基于可变形3D高斯泼溅的三维感知图像编辑
ObjectMorpher: 3D-Aware Image Editing via Deformable 3DGS
把图像到3D生成器产出的3DGS作为可编辑代理，用基于图的ARAP非刚性形变把2D拖拽点转化为几何一致的形变，再用复合扩散模块重合成光照与边界——这套「2D交互→3D形变→扩散调和」的管线可直接迁移到物体级编辑、姿态调整与重合成任务。
Object-WIPER：免训练的视频物体及其关联效果移除
Object-WIPER: Training-Free Object and Associated Effect Removal in Videos
利用预训练视频扩散 Transformer 的交叉注意力与自注意力定位目标物体及其效果，并通过反转-去噪流程在免训练条件下完成视频物体移除与修复，为视频编辑提供可复用的注意力引导与背景保持策略。
OPRO：面向面板感知上下文图像生成的正交面板相对算子
OPRO: Orthogonal Panel-Relative Operators for Panel-Aware In-Context Image Generation
把可学习的面板相对正交算子叠加到冻结的位置编码上，在保持等距性与同面板不变性的同时实现面板感知的上下文条件注入，可直接复用于基于扩散 Transformer 的图像编辑与多面板布局生成管线。
并非所有鸟都长得一样：面向鸟类的身份保持生成
Not All Birds Look The Same: Identity-Preserving Generation For Birds
针对非刚性细粒度类别（鸟类）的身份保持生成，提出按物种、年龄、性别分组训练作为身份代理，可迁移到其他缺乏多视角/视频数据的细粒度域（如动植物、时尚单品）的定制化生成。
基于可学习贝塞尔流的非线性颜色迁移
Nonlinear Color Transfer via Learnable Bezier Flows
用贝塞尔曲线参数化替代流模型中的线性传输路径，可缓解颜色迁移中的轨迹错位与伪影；该非线性路径参数化思路可迁移到其他基于流的图像到图像翻译与风格化任务。
文本到图像扩散模型中的邻域感知局部概念擦除
Neighbor-Aware Localized Concept Erasure in Text-to-Image Diffusion Models
提供一种免训练的三阶段概念擦除流程：频谱加权嵌入调制 + 注意力引导空间门控 + 空间门控硬擦除，可直接用于扩散模型的安全对齐与细粒度类别保真，避免擦除时误伤语义近邻概念。
Narrative Weaver：面向多模态条件下的可控长程视觉一致性
Narrative Weaver: Towards Controllable Long-Range Visual Consistency with Multi-Modal Conditioning
动态记忆库（Memory Bank）机制为长序列生成中的视觉漂移问题提供了可复用的思路，可迁移到视频生成、漫画/分镜生成等需要跨场景一致性的任务；其多阶段渐进训练策略也展示了在有限数据下复用预训练模型做细粒度控制的方法。
NOVA：稀疏控制与稠密合成的无配对视频编辑
NOVA: Sparse Control, Dense Synthesis for Pair-Free Video Editing
用稀疏用户编辑关键帧提供语义引导、稠密分支从原视频持续注入运动与纹理，配合退化模拟训练摆脱配对数据，可直接迁移到无配对视频编辑与长视频时序一致性建模。
NEAF：面向文本引导图像编辑中可泛化测试时优化的注意力融合自然图像编辑方法
NEAF: Natural Image Editing with Attention Fusion for Generalizable Test-time Optimization in Text-Guided Image Editing
提出可学习的 XA-Conductor 模块，在推理时对源分支、编辑分支与重建分支的交叉注意力图做自适应加权融合，无需微调即可用于任意 T2I 模型；做文本引导编辑、需要保持非编辑区域保真度的工作可直接复用这一三支反馈的注意力融合机制。
MultiCrafter：通过解耦注意力与身份感知偏好对齐实现高保真多主体生成
MultiCrafter: High-Fidelity Multi-Subject Generation via Disentangled Attention and Identity-Aware Preference Alignment
提出两阶段解耦训练框架：预训练阶段用显式位置监督解决注意力渗漏，后训练阶段用基于匈牙利匹配的在线强化学习做身份保持的偏好优化，可直接用于多主体个性化生成任务。
MotionV2V：在视频中编辑运动
MotionV2V: Editing Motion in a Video
把「运动编辑」显式参数化为输入/输出稀疏轨迹之间的偏差，并用构造的运动反事实视频对微调运动条件扩散模型，为视频编辑提供了一条可复用路径：用轨迹级控制信号替代文本提示来精确操控运动，且编辑可从任意时间戳起始并自然传播。
MotionEdit：以运动为中心的图像编辑基准与学习方法
MotionEdit: Benchmarking and Learning Motion-Centric Image Editing
MotionNFT 提出了一种基于运动流对齐奖励的扩散模型后训练微调框架，可复用于其他需要精确运动控制的图像编辑任务，如帧控制视频合成中的关键帧编辑。
MoCha：无需结构引导的端到端视频角色替换
MoCha: End-to-End Video Character Replacement without Structural Guidance
把视频扩散模型自身的时序跟踪能力当作隐式结构先验，从而摆脱逐帧掩码与骨架/深度等显式结构引导，只需单帧任意掩码即可完成角色替换；条件感知 RoPE 与 RL 后训练可迁移到其他多模态条件注入的身份保持生成任务。
混合风格专家用于多样图像风格化
Mixture of Style Experts for Diverse Image Stylization
将混合专家（MoE）架构引入扩散风格化，通过相似度感知门控动态路由风格到专门专家，可复用于其他需要多风格控制的生成任务，提升语义和材质细节保持能力。
Meta-CoT：提升图像编辑的粒度与泛化能力
Meta-CoT: Enhancing Granularity and Generalization in Image Editing
Meta-CoT 将任意图像编辑操作分解为（任务、目标、所需理解能力）三元组，并进一步拆解为五个元任务，配合思维链一致性奖励，使模型在少量元任务训练后即可泛化到未见编辑任务；该分解思路可直接用于构建更细粒度的编辑指令数据与训练策略。
Match-and-Fuse：从无序图像集合进行一致性生成
Match-and-Fuse: Consistent Generation from Unstructured Image Sets
把无序图像集合建模为图、在成对生成时按稠密对应关系融合内部特征，这一免训练思路可直接迁移到多视图一致编辑、集合级个性化生成与视频帧间一致性约束，无需掩码或人工监督。
MapRoute：通过语义路由实现精确概念擦除的映射器
MapRoute:Precise-Concept Erasing Mappers via Semantic Routing
在冻结的文本编码器之后插入轻量线性映射模块（Mappers），依据文本嵌入与目标概念嵌入的余弦相似度动态激活 top-K 模块，为扩散模型的概念擦除提供了一种免全模型微调、可插拔的干预手段，可直接复用于个性化生成中的敏感概念抑制与版权合规。
MagicQuill V2：基于分层视觉线索的精确交互式图像编辑
MagicQuill V2: Precise and Interactive Image Editing with Layered Visual Cues
把单一文本提示拆成内容/空间/结构/颜色四层视觉线索并用统一控制模块注入扩散 Transformer，为需要精细局部控制（含物体移除）的编辑任务提供了可复用的条件注入与数据构造思路。
MOFA-VTON：以细粒度适配实现虚拟试衣的更多时尚可能
MOFA-VTON: More Fashion Possibilities with Fine-Grained Adaptations in Virtual Try-On
用用户手绘曲线草图构造双区域掩码替代 clothing-agnostic mask，并通过交叉注意力分上下半身独立学习布局对应关系，为可控人体图像生成提供了细粒度空间布局引导的可复用思路。
MMFace-DiT：用于高保真多模态人脸生成的双流扩散 Transformer
MMFace-DiT: A Dual-Stream Diffusion Transformer for High-Fidelity Multimodal Face Generation
双流 Transformer 块用共享 RoPE 注意力并行处理空间 token（掩码/草图）与语义 token（文本），避免模态主导，可直接迁移到任何需要同时满足文本语义与结构先验的可控生成任务；Modality Embedder 让单一模型免重训适配不同空间条件，是统一多条件控制的可复用思路。
Lynx：面向高保真个性化视频生成
Lynx: Towards High-Fidelity Personalized Video Generation
用 Perceiver Resampler 把 ArcFace 人脸嵌入压成身份 token，再用 Ref-adapter 通过 cross attention 把冻结参考分支的 VAE 密集特征注入 DiT 所有层，是单图身份保持视频生成中可直接复用的双适配器条件注入方案。
低分辨率编辑即是高分辨率编辑的全部所需
Low-Resolution Editing is All You Need for High-Resolution Editing
把高分辨率编辑拆成 patch-wise 测试时优化 + 细节迁移 + 跨块同步，为在显存受限下做 4K 级可控编辑提供了可复用的分块一致性策略。
LightMover：带颜色与强度控制的生成式光照移动
LightMover: Generative Light Movement with Color and Intensity Controls
把光照编辑建模为视觉词元空间中的序列到序列预测，复用视频扩散先验，无需重新渲染即可改变光源位置、颜色与强度；其自适应词元剪枝（保留空间信息词元、压缩非空间属性）可迁移到其他基于词元的可控生成任务以缩短控制序列。
在图像编辑中利用基于验证器的强化学习
Leveraging Verifier-Based Reinforcement Learning in Image Editing
提出基于思维链的推理奖励模型（RRM）作为图像编辑的通用奖励，并用GRPO微调编辑模型，为视觉生成中的RLHF提供可解释、细粒度的奖励设计思路。
让你的图像随你的运动而动！——隐式多目标多运动迁移
Let Your Image Move with Your Motion! -- Implicit Multi-Object Multi-Motion Transfer
把扩散注意力本身当作物体掩码的来源，用物体特定掩码约束注意力，使运动 token 与文本 token 只作用于指定区域，这一「注意力即掩码」的思路可直接迁移到多主体视频编辑、组合式可控生成等需要区域解耦的任务。
少即是多：面向可控文本到视频生成的数据高效适配
Less is More: Data-Efficient Adaptation for Controllable Text-to-Video Generation
对做可控视频生成的研究者，这篇给出了一个反直觉的数据策略：用稀疏、低质量的合成数据微调扩散模型来学习物理相机参数（快门速度、光圈）控制，效果反而优于用真实照片级数据微调；其框架也可用于评估其他条件控制的数据选择。
学习潜变量代理实现可控单图重光照
Learning Latent Proxies for Controllable Single-Image Relighting
用少量 PBR 监督训练一个少样本潜变量代理编码器，把稀疏材质-几何线索注入扩散去噪器，并用光照感知掩码只引导对光照敏感的像素；这套「稀疏物理先验 + 掩码引导」的思路可直接迁移到阴影编辑、材质编辑等需要物理可控性的图像生成任务。
面向文本到图像扩散 Transformer 中区域与遮挡控制的逐层实例绑定
Layer-wise Instance Binding for Regional and Occlusion Control in Text-to-Image Diffusion Transformers
利用多模态联合注意力中的上下文共享机制，在去噪早期为每个实例建立独立分支并按层序融合成统一潜变量，从而在免训练条件下实现区域布局与遮挡顺序控制；这一「早期潜变量结构重排」思路可直接迁移到 DiT 类生成器的空间可控生成与分层编辑。
从单个视觉示例出发的无语言生成式编辑
Language-Free Generative Editing from One Visual Example
提出从成对视觉示例中直接提取条件信号、无需文本与训练即可驱动扩散模型编辑的范式，其 condition-steering 机制与 inversion-correction 步骤可迁移到任何基于 DDIM 反演的编辑流程中，用于缓解反演重建误差并实现语言难以描述的变换（如雨、模糊）。
LaRP：基于潜在重投影先验的高效多视角图像修复
LaRP: Efficient Multi-View Inpainting with Latent Reprojection Priors
利用3D基础模型提供的显式跨视角对应关系作为扩散修复模型的条件，实现高效且3D一致的多视角图像修复，可复用于需要多视角一致性的生成任务。
LAMP：语言辅助的运动规划用于可控视频生成
LAMP: Language-Assisted Motion Planning for Controllable Video Generation
用 LLM 做程序合成，把自然语言解析成显式 3D 轨迹（物体运动 + 相机轨迹），再作为视频生成的运动条件；这种「语言→结构化运动程序→确定性轨迹」的中间表示，可复用于任何需要精确运动控制的可控视频生成或相机运镜合成。
Kontinuous Kontext：面向指令式图像编辑的连续强度控制
Kontinuous Kontext: Continuous Strength Control for Instruction-based Image Editing
把「编辑强度」做成一个连续标量条件，并通过轻量投影网络映射到扩散模型的调制空间（modulation space）系数，这为任何条件生成模型提供了一种可复用的连续控制接口；同时用现有生成模型合成 image-edit-instruction-strength 四元组再过滤，是可借鉴的弱监督数据构造流程。
JarvisEvo：面向协同编辑器-评估器优化的自进化照片编辑智能体
JarvisEvo: Towards a Self-Evolving Photo Editing Agent with Synergistic Editor-Evaluator Optimization
把交错多模态思维链（iMCoT）与编辑器-评估器协同策略优化（SEPO）引入图像编辑智能体，为视觉研究者提供一种无需外部奖励模型即可自我改进、并缓解奖励黑客的可复用训练范式；同时其保真型/生成型编辑双工具集成与 ArtEdit-Bench 评测协议可直接用于评估编辑中的像素级保真度。
InverFill：面向高质量少步扩散图像修复的一步反演方法
InverFill: One-Step Inversion for Enhanced Few-Step Diffusion Inpainting
把输入掩码图像的语义通过一步反演注入初始噪声，替代随机高斯噪声，可直接套用到任何少步 T2I 模型的 blended sampling 流程中，在低 NFE 下改善修复区域与背景的协调性，且无需重训练。
IntrinsicWeather：本征空间中的可控天气编辑
IntrinsicWeather: Controllable Weather Editing in Intrinsic Space
把天气编辑从像素空间搬到本征空间（材质/几何/光照图），用本征图作为中间表示提升可控性；其本征图感知注意力与 CLIP 空间天气提示词插值可直接迁移到其他条件图像编辑与逆渲染任务。
基于组合可解释性的内在概念提取
Intrinsic Concept Extraction Based on Compositional Interpretability
把双曲空间的层次建模引入单图概念学习，为个性化/概念定制生成提供可组合、可解耦的概念嵌入，可直接用于少样本概念注入与属性编辑。
可解释提示词变得易于编辑：面向编辑友好硬提示词反演的 dLLM 词元间相似度抑制
Interpretable Prompts made Edit-Friendly: Token-to-Token Similarity Reduction in dLLMs for Edit-Friendly Hard Prompt Inversion
把扩散语言模型解码器中的词元相似度控制与扩散时间采样结合，得到对词元替换/追加鲁棒的硬提示词，可直接用于 T2I 模型的可编辑提示词反演与下游提示词编辑流程，且无需微调 T2I 或语言模型。
Inter-Edit：首个面向交互式指令图像编辑的基准
Inter-Edit: First Benchmark for Interactive Instruction-Based Image Editing
提出以「简洁文本指令 + 不精确空间掩码」作为编辑条件的设定，并给出百万级模拟真实用户掩码的数据生成流水线，可直接用于训练和评测指令式编辑模型在弱定位输入下的鲁棒性。
InstructMix2Mix：通过多视图模型个性化实现一致的稀疏视图编辑
InstructMix2Mix: Consistent Sparse-View Editing Through Multi-View Model Personalization
将多视图扩散模型作为SDS中的学生模型，替代神经场整合器，并引入增量更新、教师噪声调度和注意力修改，为稀疏视图编辑提供可复用的跨视图一致性蒸馏框架。
InstantRetouch：基于双边空间的高效高保真指令引导图像修饰
InstantRetouch: Efficient and High-Fidelity Instruction-Guided Image Retouching with Bilateral Space
用低分辨率双边网格预测仿射变换替代像素/潜变量编辑，把多步扩散模型通过变分分数蒸馏蒸馏进该框架，为视觉研究者提供了一条兼顾保真度与延迟的指令引导编辑路径，可直接迁移到其他需要内容解耦的局部调整任务。
InnoAds-Composer：面向电商海报生成的高效条件组合
InnoAds-Composer: Efficient Condition Composition for E-Commerce Poster Generation
把主体、字形、风格三类条件以词元形式注入单阶段扩散模型，并按层与时间步的重要性只路由到最敏感位置，这一「条件词元稀疏路由」思路可直接迁移到任何多条件可控生成任务（如多参考图定制化、布局+文本+风格联合控制），避免条件拼接带来的二次开销。
改进可控生成：通过 x0 监督实现更快训练与更优性能
Improving Controllable Generation: Faster Training and Better Performance via x0-Supervision
把可控扩散/流模型的训练目标从噪声预测损失换成对干净目标图的 x0 监督（或等价的损失重加权），可直接套用到 ControlNet 类布局控制、inpainting、参考图条件生成等训练流程中，在不改网络结构的前提下加速收敛并提升条件精度。
以图导图：基于整流上下文示例引导的一致视频非模态补全
Image Guides Images: Consistent Video Amodal Completion with Rectified In-Context Exemplar Guidance
把预训练图像修复模型直接用于视频非模态补全，通过调制 DiT 全局注意力中示例与目标帧的相对权重来提升跨帧一致性，并用双帧校准的示例修正解决冷启动；这套免训练、示例引导的注意力整流思路可迁移到其他需要跨帧一致性的视频生成/编辑任务。
从上下文矛盾的提示词生成图像
Image Generation from Contextually-Contradictory Prompts
把提示词按去噪阶段拆成一系列代理提示词，用 LLM 解析概念冲突并改写，为文本到图像扩散模型提供细粒度的语义控制；这一思路可直接迁移到组合式生成、属性绑定和提示词工程等场景。
插画师深度：用于图像分解的单目图层索引预测
Illustrator's Depth: Monocular Layer Index Prediction for Image Decomposition
提出一种新的深度定义——插画师深度，为每个像素预测图层索引，实现可编辑的图像分解；该表示可直接用于图像矢量化、文本到矢量图形生成、2D 到 3D 浮雕生成以及深度感知编辑，为视觉研究提供了可复用的分层表示思路。
Hist2Style：直方图引导的双边网格风格化
Hist2Style: Histogram-Guided Stylization with Bilateral Grids
双边网格上的局部仿射变换可作为高分辨率实时图像编辑的通用算子，配合直方图嵌入实现可解释、可交互的颜色/色调控制，并可用大模型蒸馏出轻量网络，避免生成式幻觉。
基于扩散的循环一致性学习实现超越配对数据稀缺的高保真虚拟试衣
High-Fidelity Virtual Try-On beyond Paired Data Scarcity via Diffusion-based Cycle-Consistent Learning
提出基于扩散模型循环一致性学习的虚拟试衣框架，利用无配对数据训练统一生成模型，其多准则过滤和感知正则化策略可迁移到其他需要无配对数据的图像编辑任务。
基于身份约束人脸条件的高保真扩散人脸交换
High-Fidelity Diffusion Face Swapping with ID-Constrained Facial Conditioning
把身份条件与属性条件解耦注入、先保身份再微调属性对齐的两阶段条件控制思路，可直接迁移到任何人脸编辑/换脸扩散模型中，用于缓解多条件冲突；后训练阶段加入身份损失与对抗损失做精修的做法也可复用到其他身份保持生成任务。
HierEdit：面向高效高分辨率编辑的区域感知分层扩散模型
HierEdit: Region-Aware Hierarchical Diffusion for Efficient High-Resolution Editing
把高分辨率编辑拆成「低分辨率代理定位 + 局部窗口 MMDiT 精修」两级流程，只对改动区域做全分辨率去噪、未改动区域作为条件复用，可直接迁移到 4K 修复/重绘等需要避免全图注意力开销的编辑任务。
HiFi-Inpaint：面向高保真参考引导图像修复以生成细节保持的人-产品图像
HiFi-Inpaint: Towards High-Fidelity Reference-Based Inpainting for Generating Detail-Preserving Human-Product Images
面向参考图引导的图像修复，提出共享增强注意力（SEA）与基于高频图的细节感知损失（DAL），可直接迁移到需要像素级细节保真的参考驱动编辑/合成任务中。
HP-Edit：面向图像编辑的人类偏好后训练框架
HP-Edit: A Human-Preference Post-Training Framework for Image Editing
用预训练 VLM 加少量人工偏好打分训练自动评分器，再把它同时当作偏好数据构造器和 RL 奖励函数，为扩散/流式图像编辑模型做后训练对齐；这套「VLM 评分器 + 偏好奖励」的流程可直接迁移到超分、去噪、视频生成等任何缺少可微目标的视觉生成任务。
组编辑：一次编辑多张图像
Group Editing: Edit Multiple Images in One Go
将图像组视为伪视频，利用预训练视频模型的时序一致性先验，并通过 VGGT 提取显式几何对应进行融合，为多图一致编辑提供了可复用的技术路线。
GrOCE：面向文本到图像扩散模型的图引导在线概念擦除
GrOCE : Graph-Guided Online Concept Erasure for Text-to-Image Diffusion Models
提供一种免训练、在提示词层面做概念擦除的推理时干预手段：用动态语义图定位目标概念簇并选择性切断其语义成分，可直接复用于扩散模型的内容安全过滤与个性化生成中的概念抑制，无需微调权重。
GlyphPrinter：面向字形精确视觉文本渲染的区域分组直接偏好优化
GlyphPrinter: Region-Grouped Direct Preference Optimization for Glyph-Accurate Visual Text Rendering
将 DPO 从整体偏好扩展到区域级偏好，并引入区域奖励引导的推理采样策略，为视觉文本渲染中的局部字形错误提供可复用的偏好优化框架。
基于3D点轨迹的生成式视频运动编辑
Generative Video Motion Editing with 3D Point Tracks
利用3D点轨迹作为稀疏对应关系来条件化视频扩散模型，实现相机与物体运动的联合编辑；3D轨迹提供的深度线索有助于解决遮挡和深度顺序问题，为视频运动编辑提供了可复用的控制信号。
从第一视角步行游览视频生成无人环境漫游
Generating Humanless Environment Walkthroughs from Egocentric Walking Tour Videos
用半合成视频对（纯背景片段 + 带模拟阴影的行走行人合成片段）微调 Casper 视频扩散模型做人与阴影联合修复，为从众包第一视角视频中清洗出可用于 3D/4D 重建的干净素材提供了可复用的数据构造与微调范式。
GenHOI：面向对象一致的手物交互，采用时序均衡与空间选择性的对象注入
GenHOI: Towards Object-Consistent Hand-Object Interaction with Temporally Balanced and Spatially Selective Object Injection
Head-Sliding RoPE 通过给参考 token 分配头级时序偏移来缓解 3D RoPE 的时序衰减，这一技巧可直接迁移到任何以参考图做长视频主体一致性的生成/编辑模型；两级空间注意力门控则提供了「只在交互区域增强条件、保留背景真实感」的可复用条件注入方案。
GenErase：扩散模型中可泛化且语义感知的概念擦除
GenErase: Generalizable and Semantically-Aware Concept Erasure in Diffusion Models
在交叉注意力 value 空间做显式 erase-and-replace 并配合 per-token preserve projector 与硬几何门控，是一种可直接复用的免训练概念抑制手段，可用于个性化生成中去除身份/风格/物体，同时保护无关语义不被扭曲。
无需多模态注意力的门控条件注入：面向可控线性注意力 Transformer
Gated Condition Injection without Multimodal Attention: Towards Controllable Linear-Attention Transformers
用统一门控条件模块替代多模态注意力，在 SANA 等线性注意力骨干上注入空间对齐与非对齐条件，为端侧可控扩散生成提供可复用的条件注入范式。
从规模到速度：面向图像编辑的自适应测试时扩展
From Scale to Speed: Adaptive Test-Time Scaling for Image Editing
把测试时扩展（Image-CoT）从 T2I 迁移到图像编辑时，可用「编辑难度估计→动态采样预算」+「区域定位与描述一致性做早期剪枝」+「实例级验证器驱动的深度优先提前停止」三件套，在 Step1X-Edit、BAGEL、FLUX.1 Kontext 上以同等采样预算换 2 倍以上加速，是可直接复用的推理期加速与筛选框架。
从图像修复到图层分解：改造生成式图像修复模型用于图像图层分解
From Inpainting to Layer Decomposition: Repurposing Generative Inpainting Models for Image Layer Decomposition
把预训练的扩散图像修复模型通过轻量微调改造成图层分解器，并用线性复杂度的多模态上下文融合模块在潜空间保留细节；做图像编辑、遮挡恢复或前景/背景分离的研究者可直接复用这一「修复模型即分解模型」的迁移思路与融合模块。
FreqEdit：保留高频特征以实现鲁棒的多轮图像编辑
FreqEdit: Preserving High-Frequency Features for Robust Multi-Turn Image Editing
针对多轮指令编辑中高频细节逐步丢失的问题，提出从参考速度场注入高频特征、空间自适应调制注入强度、并周期性重校准编辑轨迹的免训练方案，可直接用于提升现有扩散编辑模型在长链迭代下的身份保持与指令跟随能力。
基础编码器即可实现偏好感知的个性化
Foundation Encoders Are All You Need for Preference-Aware Personalization
把个性化偏好注入完全放在基础编码器（文本编码器/CLIP 编码器）的表征空间里完成，不改扩散主干、不做微调，为个性化生成提供了一条可跨多个 T2I 底座复用的轻量路线；做 personalization 或 adapter 设计时可直接借鉴其「重构 transformer 编码器以融合偏好」的做法。
面向取证的图像编辑：通过可控潜在扩散实现
Forensic-Friendly Image Manipulation via Controllable Latent Diffusion
提出一种即插即用的可控去噪方法，在扩散编辑过程中通过正交投影和对抗优化使编辑区域与未编辑区域的特征差异最大化，从而在不影响视觉质量的前提下提升被动取证检测性能，为图像编辑与取证结合提供了新思路。
FontCrafter：基于视觉上下文生成的高保真元素驱动艺术字体创作
FontCrafter: High-Fidelity Element-Driven Artistic Font Creation with Visual In-Context Generation
把参考元素图当作视觉上下文、用图像修复模型在像素级把风格迁移进字形区域，并配轻量 Context-aware Mask Adapter 注入形状、用免训练注意力重定向抑制笔画幻觉——这套「上下文+掩码适配器+注意力重定向」的组合可直接迁移到任何需要保留参考纹理与结构的可控生成任务（如风格化 logo、纹理迁移、局部重绘）。
FlowPortal：残差校正流用于免训练视频重打光与背景替换
FlowPortal: Residual-Corrected Flow for Training-Free Video Relighting and Background Replacement
把标准 flow-based 生成模型通过残差校正改造成免训练编辑模型：条件相同时保证完美重建、条件不同时实现忠实编辑，这一思路可直接迁移到视频/图像的其他属性编辑（重打光、换背景、风格化）而无需微调。
FlowFixer：面向细节保持的主体驱动生成
FlowFixer: Towards Detail-Preserving Subject-Driven Generation
把主体驱动生成拆成「粗生成 + 图像到图像精修」两段，并用一步去噪构造自监督配对数据来模拟尺度/视角变化导致的细节丢失；做个性化生成或参考图保真时可直接复用该精修框架与关键点匹配保真度指标。
FlowDirector：面向精确文本到视频编辑的免训练流引导
FlowDirector: Training-Free Flow Steering for Precise Text-to-Video Editing
提出免反演的视频编辑范式：直接在数据空间用 ODE 沿视频固有的时空流形演化，并用方向感知流校正、运动-外观解耦能量项、差分平均引导抑制伪影，可复用于任何基于扩散/流的视频编辑与可控生成管线，绕开反演误差。
FlowDC：面向复杂图像编辑的基于流的解耦-衰减方法
FlowDC: Flow-Based Decoupling-Decay for Complex Image Editing
把复杂多目标编辑拆成多个子编辑效果并在流匹配速度场上并行叠加，同时对与编辑位移正交的速度分量做衰减以保住源图结构——这套「速度分解+正交分量衰减」可直接迁移到任何基于 flow matching 的编辑/可控生成管线中，用于缓解多条件叠加时的结构漂移。
FlexTraj：具备灵活点轨迹控制的图像到视频生成
FlexTraj: Image-to-Video Generation with Flexible Point Trajectory Control
用带时序一致轨迹 ID 与分割 ID 的点表示作为统一控制信号，并通过序列拼接而非 ControlNet 注入条件，为图像到视频生成提供对齐无关的稠密/稀疏轨迹控制，可直接复用于运动克隆、拖拽式生成与相机重定向等可控视频任务。
FlashIn：面向实时图像编辑的快速精确图像反演
FlashIn: Fast and Accurate Image Inversion for Real-time Image Editing
把图像到初始噪声的映射做成可学习网络，用循环一致与对抗训练实现单步精确反演，可直接替换现有编辑流程中耗时的迭代反演环节，配合少步扩散模型做到秒级交互编辑。
FaceCam：通过尺度感知条件实现肖像视频相机控制
FaceCam: Portrait Video Camera Control via Scale-Aware Conditioning
提出一种人脸定制的尺度感知相机表示，无需3D先验即可实现确定性的相机条件控制，可复用于其他需要精确相机轨迹控制的视频生成任务，避免几何失真。
FG-Portrait：三维流引导的可编辑肖像动画
FG-Portrait: 3D Flow Guided Editable Portrait Animation
把参数化三维人脸模型算出的稠密三维流当作几何先验注入扩散模型，用三维流编码为每个目标像素查询位移，并用深度引导采样对齐二维运动；这套「三维几何先验 + 扩散条件控制」思路可迁移到任何需要源到驱动对应关系的可控人像/人体生成任务。
FFP-300K：扩展首帧传播以实现可泛化的视频编辑
FFP-300K: Scaling First-Frame Propagation for Generalizable Video Editing
提出无需运行时引导的首帧传播视频编辑框架，其 AST-RoPE 通过动态重映射位置编码解耦外观与运动参考，可迁移到任何以首帧为条件的视频生成/编辑模型；同时 300K 高质量视频对数据集为训练鲁棒时序先验提供了数据基础。
FEAT：从任意设计源进行服装编辑与试穿
FEAT: Fashion Editing and Try-On from Any Design
Disentangled Dual Injection 的内容/风格解耦注入与 Orthogonal-Guided Noise Fusion 的正交投影去残留衣物+区域化噪声策略，是可复用到其他「保留身份/去除旧内容」的可控生成任务（如换装、换背景、局部重绘）的免训练手段。
擦除数千个概念：面向文本到图像扩散模型的可扩展且实用的概念擦除
Erasing Thousands of Concepts: Towards Scalable and Practical Concept Erasure for Text-to-Image Diffusion Models
提出基于t分布混合模型和最优传输的概念擦除框架，可精确定位并擦除文本嵌入中的目标概念，同时保持其他概念生成质量，为扩散模型的安全可控生成提供可扩展方案。
EpiAgent：面向古代碑刻复原的智能体中心系统
EpiAgent: An Agent-Centric System for Ancient Inscription Restoration
把图像复原从单次前向的固定流水线改造成由 LLM 规划器调度的多工具智能体循环（观察-构思-执行-再评估），对做低层视觉的人提供了一个可复用的思路：用多模态分析结果驱动工具选择与迭代精炼，从而应对训练分布外的异质退化。
EmoStyle：情感驱动的图像风格化
EmoStyle: Emotion-Driven Image Stylization
把「情感」作为风格迁移的条件信号，并用向量量化把连续风格特征离散成情感相关码本条目，这个 emotion-aware style dictionary 可直接作为其他生成任务（如 T2I、编辑）的可插拔风格条件模块复用。
EgoEdit：面向第一人称视频编辑的数据集、实时流式模型与基准
EgoEdit: Dataset, Real-Time Streaming Model, and Benchmark for Egocentric Video Editing
面向第一人称视频的指令引导编辑，核心可复用点是「保留手部与手物交互区域」的编辑约束设计，以及单卡实时流式推理管线；做视频编辑或 AR 交互生成的研究者可直接借鉴其数据构造与手部保持评测协议。
EffectMaker：统一推理与生成实现定制化视觉效果创作
EffectMaker: Unifying Reasoning and Generation for Customized Visual Effect Creation
用多模态大语言模型做高层特效语义推理、扩散 Transformer 通过上下文学习从参考视频提取细粒度视觉线索，形成语义-视觉双路引导，实现无需逐特效微调的参考驱动视频特效合成，可直接迁移到风格化视频编辑与参考引导的可控生成。
EffectErase：联合视频物体移除与插入实现高质量效应擦除
EffectErase: Joint Video Object Removal and Insertion for High-Quality Effect Erasing
把视频物体插入当作移除的逆辅助任务做互逆学习，并用任务感知区域引导把学习集中在形变、阴影、反射等效应区域，这一思路可直接迁移到视频修复、阴影/反射去除等需要定位并擦除视觉效应的编辑任务。
EditMGT：释放掩码生成Transformer在图像编辑中的潜力
EditMGT: Unleashing Potentials of Masked Generative Transformers in Image Editing
用 MGT 的交叉注意力图做编辑区域定位、并在低注意力区限制词元翻转，为视觉研究者提供了一条替代扩散全局去噪的局部保真编辑路径，可直接迁移到 inpainting 与局部风格迁移。
EditCtrl：面向实时生成式视频编辑的解耦局部与全局控制
EditCtrl: Disentangled Local and Global Control for Real-Time Generative Video Editing
把视频编辑的计算量从全视频上下文收缩到掩码 token 上，再用轻量全局上下文嵌入器补回时序一致性，这个「局部优先 + 全局轻量引导」的分解思路可直接迁移到任何基于扩散/流模型的视频修复、物体移除或区域重绘管线中，并支撑实时自回归传播。
EasyV2V：一个高质量的基于指令的视频编辑框架
EasyV2V: A High-quality Instruction-based Video Editing Framework
论文表明预训练文生视频模型本身具备编辑能力，仅需简单的序列拼接条件与轻量低秩适配微调即可训练强编辑模型，并统一掩码机制实现时空控制，为视频编辑提供可复用的简洁设计范式。
EasyOmnimatte：驯服预训练图像修复扩散模型实现端到端视频分层分解
EasyOmnimatte: Taming Pretrained Inpainting Diffusion Models for End-to-End Video Layered Decompositio
将预训练视频修复扩散模型通过LoRA微调为双专家（效果专家与质量专家），在采样不同阶段切换，实现端到端视频分层分解，为视频编辑中的前景与效果分离提供高效方案。
Dynamic-eDiTor：基于多模态扩散 Transformer 的免训练文本驱动 4D 场景编辑
Dynamic-eDiTor: Training-Free Text-Driven 4D Scene Editing with Multimodal Diffusion Transformer
把 MM-DiT 的注意力改造成时空子网格注意力并配合词元继承与光流引导的词元替换，可在不训练的情况下把 2D 编辑能力迁移到多视角视频，直接优化已有 4DGS；这套「免训练 + 词元传播」思路可复用到任何需要跨视角/跨帧一致性的扩散编辑任务。
DynFusion：重新思考自适应多条件文本到图像生成中的条件融合
DynFusion: Rethinking Condition Fusion for Adaptive Multi-Conditional Text-to-Image Generation
提出一种数据驱动的自适应条件融合机制，根据扩散时间步、任务特性和特征注入位置动态选择并融合多个异构条件（如深度、边缘、参考图），可解决多条件控制中的冲突与计算冗余问题，为可控生成提供可复用的融合模块。
DreamingComics：基于视频模型的主体与布局定制化故事可视化流程
DreamingComics: A Story Visualization Pipeline via Subject and Layout Customized Generation using Video Models
RegionalRoPE 按目标布局对 token 位置索引重编码，配合 masked condition loss 把主体特征约束到指定区域，这套「区域感知位置编码 + 掩码条件损失」可直接迁移到任何基于 DiT 的布局可控图像/视频生成任务。
DreamStyle：视频风格化的统一框架
DreamStyle: A Unified Framework for Video Stylization
DreamStyle 将文本、风格图像和风格化首帧三种条件统一到基于 I2V 扩散模型的 LoRA 微调框架中，其 token 特定的 up 矩阵设计可缓解多条件 token 混淆，为多模态条件控制生成提供了可复用的参数高效适配思路。
DreamStereo：面向高清视频的实时立体修复
DreamStereo: Towards Real-Time Stereo Inpainting for HD Videos
Sparsity-Aware Stereo Inpainting 通过稀疏 token 选择把扩散推理的冗余计算削减 70% 以上，这一思路可直接迁移到任何只需局部修改的扩散式图像/视频编辑任务；Parallax-Based Dual Projection 则提供了一种无需真实立体视频即可合成几何一致训练对的构造方式。
DreamOmni2：多模态指令驱动的生成与编辑
DreamOmni2: Multimodal Instruction-based Generation and Editing
提出多模态指令（文本+图像）编辑与生成任务，并设计索引编码与位置编码偏移方案处理多图输入，可复用于需要融合多张参考图的生成/编辑模型；数据合成管线（特征混合+提取模型）为构建此类训练数据提供可借鉴流程。
解耦再耦合：解决主体驱动文生图生成中的相似性-可控性悖论
Disentangling to Re-couple: Resolving the Similarity-Controllability Paradox in Subject-Driven Text-to-Image Generation
把主体身份与修改指令在提示词层面解耦（实体词指代主体、代词指代修改对象），再用专门设计的奖励信号配合强化学习重新耦合，这套「先解耦再耦合」的流程可直接迁移到任何需要同时保真与可控的个性化生成/编辑管线中。
基于扩散模型的面部区域感知妆容特征妆容迁移
Diffusion-Based Makeup Transfer with Facial Region-Aware Makeup Features
用可学习 token 查询微调后的 CLIP 编码器，提取眼、嘴等面部区域级妆容特征，并以注意力损失实现区域可控注入，为扩散编辑中的局部属性控制提供了可复用范式；同时用 GPT-o3 加文本驱动编辑模型合成带标注风格数据来微调领域编码器，可迁移到其他细粒度风格迁移任务。
Diff-SemiER：面向半透明眼镜去除的透明度感知自适应融合扩散模型与生成先验
Diff-SemiER: Transparency-Aware Adaptive Fusion Diffusion Model with Generative Prior for Semi-Transparent Eyeglasses Removal
针对半透明遮挡这一特殊编辑场景，提出软掩码感知的多尺度自适应融合机制，在生成先验与细节复原之间动态权衡；其透射率驱动的数据合成思路可迁移到其他半透明/部分遮挡的复原任务（如墨镜、面纱、玻璃反光去除）。
用于文本到图像编辑的 Delta 整流流采样
Delta Rectified Flow Sampling for Text-to-Image Editing
DRFS 提出一种基于蒸馏的无反转编辑方法，通过显式建模源与目标速度场差异并引入时间相关偏移项，缓解过平滑伪影，可复用于 rectified flow 模型的文本引导编辑，无需架构修改。
DeX-Portrait：基于显式与隐式运动表征的解耦且富有表现力的肖像动画
DeX-Portrait: Disentangled and Expressive Portrait Animation via Explicit and Latent Motion Representations
把头部姿态建模为显式全局变换、表情建模为隐式潜变量，并通过双分支条件注入扩散模型，为需要解耦控制的人像/视频生成提供了一套可复用的条件注入与引导方案。
DCoAR：面向个性化文本到图像生成的统一自回归模型深度概念注入
DCoAR: Deep Concept Injection into Unified Autoregressive Models for Personalized Text-to-Image Generation
对做个性化/定制化生成的人，这篇给出了在完全冻结的统一自回归模型上做深层概念注入的路线：逐层多模态上下文学习 + 双重先验保持与上下文感知自正则化，可在不微调主干的前提下实现主体定制与用户风格迁移，是替代适配式微调的低参数方案。
循环一致性调优用于分层图像分解
Cycle-Consistent Tuning for Layered Image Decomposition
利用扩散基础模型和低秩适配进行图层分解，循环一致性训练策略可推广到其他图像分离任务；渐进自改进过程为数据增强提供新思路。
面向说话人脸视频情感编辑的跨模态情感迁移
Cross-Modal Emotion Transfer for Emotion Editing in Talking Face Video
用大规模预训练音频编码器与解耦表情编码器在跨模态空间中学习情感语义向量，把「情感」从语音内容中剥离出来，为语音驱动的可控人脸动画提供了一种可迁移的条件控制手段，尤其适合处理未见过的扩展情感类别。
面向免训练多视图图像编辑的耦合扩散采样
Coupled Diffusion Sampling for Training-Free Multi-View Image Editing
提出耦合扩散采样：同时从多视图生成分布与2D编辑分布采样两条轨迹并用耦合项连接，使预训练2D编辑模型在采样过程中引导多视图生成模型，从而免训练地获得跨视图一致的编辑结果，可复用于视频/多视图一致生成。
ConsistCompose：面向图像合成的统一多模态布局控制
ConsistCompose: Unified Multimodal Layout Control for Image Composition
把布局坐标直接嵌入语言提示、并用坐标感知的无分类器引导实现空间控制，为视觉研究者提供了一种无需任务专用分支即可复用到底层生成模型上的布局可控多实例生成方案，同时配套的 3.4M 布局与身份标注数据集可用于训练与评测布局条件生成。
ConceptPrism：通过残差词元优化实现个性化扩散模型中的概念解耦
ConceptPrism: Concept Disentanglement in Personalized Diffusion Models via Residual Token Optimization
通过跨图像比较与残差词元优化实现概念解耦，可直接用于个性化 T2I 中抑制参考图像里与用户提示冲突的无关属性，提升概念保真度与文本对齐的平衡。
通过概念-提示词绑定组合来自图像和视频的概念
Composing Concepts from Images and Videos via Concept-prompt Binding
提出通过绑定视觉概念与提示词词元，在扩散 Transformer 的交叉注意力中实现单样本概念组合，可复用于个性化生成与视频编辑中的概念解耦控制。
ColorFLUX：一种用于老照片上色的结构-颜色解耦框架
ColorFLUX: A Structure-Color Decoupling Framework for Old Photo Colorization
将结构保持与颜色恢复解耦，并利用视觉语义提示替代文本提示来消除老照片的颜色偏差，为图像上色和可控生成提供了可复用的条件控制思路。
CogniEdit：面向细粒度图像编辑的稠密梯度流优化
CogniEdit: Dense Gradient Flow Optimization for Fine-Grained Image Editing
把 GRPO 的稀疏步级奖励改为跨连续去噪步传播梯度的稠密奖励，为扩散编辑提供轨迹级监督；该思路可直接迁移到任何需要细粒度指令遵循的扩散采样优化中。
CoT-Edit：让思维链引导指令式视频编辑
CoT-Edit: Let CoT Guide Instruction Video Editing
用 CoT 增强的 MLLM 作为规划器输出边界框序列与属性化编辑指令，再把全局文本检索转成框条件掩码生成，为指令式视频编辑提供可复用的「先规划空间先验、再局部精修」范式。
CoLoGen：面向统一图像生成的概念—定位二元性渐进学习
CoLoGen: Progressive Learning of Concept-Localization Duality for Unified Image Generation
把「语义理解」与「空间定位」两类异质表征显式解耦，再用混合专家式路由（PRW）按阶段融合，为统一条件生成中多任务表征冲突提供了一种可复用的架构思路，可直接迁移到编辑、可控生成与个性化生成的统一模型设计。
换装与姿态
Clothe and Pose
把「换装」与「姿态重定向」合并为单一条件生成任务，输入单张人像、多件服装图和目标姿态，输出同时满足服装与姿态约束的人体图像；其评测框架对做虚拟试衣和姿态迁移的研究者可直接复用，用于联合评估服装保真度与姿态一致性。
基于双重投影的闭式概念擦除
Closed-Form Concept Erasure via Double Projections
提供一种无需训练、几秒内即可对预训练扩散/流匹配模型做权重级线性编辑的闭式投影工具，可直接用于概念擦除、风格去除等模型安全编辑场景，并可作为研究生成模型表征方向几何结构的探针。
ChordEdit：面向图像编辑的单步低能量传输
ChordEdit: One-Step Low-Energy Transport for Image Editing
把文本引导编辑重构成源/目标提示分布之间的动态最优传输问题，得到低能量、方差缩减的平滑编辑场，使单步大积分即可完成编辑；对做单步 T2I 模型（如单步扩散/流匹配）上做免训练编辑的人，这是一个可直接复用的控制场构造思路。
ChArtist：统一空间与主体控制生成图案化图表
ChArtist: Generating Pictorial Charts with Unified Spatial and Subject Control
提出基于骨架的空间控制表示与 Spatially Gated Attention，用于在 DiT 中解耦空间结构与主体外观，可复用于需要同时控制布局和参考外观的生成任务。
Catalyst4D：通过动态传播实现高保真 3D 到 4D 场景编辑
Catalyst4D: High-Fidelity 3D-to-4D Scene Editing via Dynamic Propagation
把静态 3D 编辑结果迁移到动态 4D 高斯场景时，可用「锚点 + 最优传输建立区域级对应」来传播形变，避免跨区域干扰与运动漂移；再用逐高斯颜色不确定性引导选择性外观精修，抑制遮挡导致的时序闪烁。这套锚点对应传播 + 不确定性引导精修的组合可直接复用到任何需要把编辑从规范帧扩散到整段序列的 4D/视频编辑管线。
CaricHarmony：用于身份保持漫画合成的对比扩散路径
CaricHarmony: Contrastive Diffusion Paths for Identity-Preserving Caricature Synthesis
提出免训练的并行扩散路径与基于交叉注意力特征的能量函数，用于解决多条件生成中的信号污染问题，可复用于其他需要平衡多个冲突条件的可控生成任务。
CanonCGT：基于规范枢轴表示的参考图引导色彩分级
CanonCGT: Reference-Based Color Grading via Canonical Pivot Representation
用「风格中立的规范枢轴」作为中间表示，把色调迁移拆成去偏规范化与参考匹配两步，可缓解参考图引导编辑中色调映射不稳定、颜色过冲的问题，这一中间表示思路可迁移到其他参考引导的图像到图像任务。
通过学习视角token实现文本到图像生成的相机控制
Camera Control for Text-to-Image Generation via Learning Viewpoint Tokens
把相机位姿编码为可学习的视角token注入扩散模型，使文本到图像生成获得精确的相机控制；其用3D渲染图做几何监督、用真实感增强补外观多样性的数据构造方式，以及验证视角token可跨物体类别迁移的解耦性，对做可控生成与3D感知生成的研究者可直接复用。
CamDirector：面向长期连贯的视频轨迹编辑
CamDirector: Towards Long-Term Coherent Video Trajectory Editing
用混合 warping（静态区域渐进融合进 world cache 再按目标位姿渲染、动态区域直接 warp）生成全局一致的粗帧作为扩散精修的条件，可迁移到任何需要精确相机控制与长程一致性的视频生成/新视角合成任务。
CRAFT-LoRA：通过秩约束适配与无训练融合实现内容-风格个性化
CRAFT-LoRA: Content-Style Personalization via Rank-Constrained Adaptation and Training-Free Fusion
把多个 LoRA 权重在推理时无训练地组合起来，并通过秩约束微调让内容与风格落在解耦子空间，可直接用于视觉生成中的多概念个性化与风格迁移；其按时间步调整噪声预测的无分类器引导方案也可迁移到其他扩散采样流程以提升稳定性。
CARE-Edit：面向上下文图像编辑的条件感知专家路由
CARE-Edit: Condition-Aware Routing of Experts for Contextual Image Editing
用轻量潜变量注意力路由器按多模态条件与扩散时间步把 token 稀疏路由到 Text/Mask/Reference/Base 四个专家，可直接迁移到任何多条件 ControlNet 式编辑器中以缓解条件冲突与颜色渗漏。
BiFM：面向少步图像编辑与生成的双向流匹配
BiFM: Bidirectional Flow Matching for Few-Step Image Editing and Generation
把「图像→噪声」的反演方向也纳入流匹配训练，用共享瞬时速度场与连续时间区间监督实现单步反演，可直接替换现有少步编辑管线中的反演模块，提升少步采样下的编辑保真度。
超越文本提示：通过文本-图像协同实现精确概念擦除
Beyond Text Prompts: Precise Concept Erasure through Text-Image Collaboration
TICoE 用连续凸概念流形加分层视觉表征来定位并擦除目标概念，对做可控生成、个性化定制与生成内容安全的人提供了一个可复用的『文本-图像协同』擦除范式，其面向保真度的擦除后可用性评测协议也可直接用于评估编辑类方法是否误伤无关内容。
BeautyGRPO：通过动态路径引导与细粒度偏好建模实现人脸修图的美学对齐
BeautyGRPO: Aesthetic Alignment for Face Retouching via Dynamic Path Guidance and Fine-Grained Preference Modeling
把在线 RL 的偏好对齐用于人脸修图这类高保真编辑任务时，用基于锚点的 ODE 路径在每个采样步重规划来抑制随机漂移，这个「动态路径引导」思路可直接迁移到其他需要保真度的扩散编辑/复原任务中，避免 RL 探索引入的噪声伪影。
AutoCut：基于多模态离散化与可控生成的端到端广告视频编辑
AutoCut: End-to-end advertisement video editing based on multimodal discretization and controllable generation
把视频、音频用残差向量量化离散成与文本对齐的统一词元，再用多模态大语言模型自回归预测词元序列来驱动视频剪辑与生成，为视觉研究者提供了一条「离散词元 + 语言模型」做长视频可控编辑的可复用路线。
音频同步视频实例编辑与粒度感知掩码精修器
Audio-sync Video Instance Editing with Granularity-Aware Mask Refiner
把用户给出的粗掩码迭代精修为实例级精确区域，并引入音频代理提供细粒度时序控制，为视频编辑中的空间-时间可控性提供了可复用的掩码精修与音频条件注入思路。
面向扩散换脸的属性保持伪标签方法
Attribute-Preserving Pseudo-Labeling for Diffusion-Based Face Swapping
提出教师-学生扩散框架，用条件去模糊和属性感知反演生成伪标签，替代掩码条件以保留肤色、光照、妆容等属性，可复用于其他需保持属性的图像编辑任务。
图像到视频模型是优秀的零样本图像编辑器吗？
Are Image-to-Video Models Good Zero-Shot Image Editors?
将预训练的图像到视频扩散模型直接复用为零样本图像编辑器，通过思维链提示词增强、时序潜变量丢弃和自洽后细化三个无需训练的技巧，解决提示词错位、时序潜变量冗余和后期帧模糊问题，为指令驱动的图像编辑提供了新范式。
Ar2Can：以建筑师与画家借画布实现多人图像生成
Ar2Can: An Architect and an Artist Leveraging a Canvas for Multi-Human Generation
把多人生成拆成「布局规划 + 身份渲染」两阶段，并用匈牙利匹配的空间对齐人脸匹配奖励配合 GRPO 优化，可直接迁移到任何需要多主体身份保持的扩散生成/编辑流程中。
Anatomica：面向解剖扩散模型的几何与拓扑性质局部化控制
Anatomica: Localized Control over Geometric and Topological Properties for Anatomical Diffusion Models
提供一种推理时、基于长方体控制域的可微惩罚引导机制，可把几何（矩）与拓扑（持续同调）约束组合施加到扩散采样过程；对做可控生成、结构约束采样或医学形状合成的研究者，这是一个可直接迁移到潜扩散模型上的约束注入范式。
面向扩散模型属性操纵的一体化滑杆
All-in-One Slider for Attribute Manipulation in Diffusion Models
把文本嵌入空间分解为稀疏语义方向，用一个轻量模块实现多属性连续滑杆控制，并可零样本组合未见属性；该思路可直接迁移到基于扩散模型的图像编辑与个性化生成中，替代逐属性训练滑杆的做法。
AlcheMinT：面向多参考一致视频生成的细粒度时序控制
AlcheMinT: Fine-grained Temporal Control for Multi-Reference Consistent Video Generation
提出一种可插拔的时间区间位置编码，把主体身份与显式时间戳绑定，并通过 token 级拼接注入预训练视频扩散模型，无需额外交叉注意力即可实现多主体出现/消失的精细时序控制，可直接复用于可控视频合成与故事板生成。
面向文本到图像生成的智能体修图器
Agentic Retoucher for Text-To-Image Generation
将生成后校正建模为感知-推理-动作的智能体循环，为扩散模型输出提供可定位、可控制的局部修复方案，其感知智能体的上下文显著性学习与推理智能体的渐进偏好对齐可直接迁移到其他图像编辑与质量提升任务。
自适应辅助提示词混合用于目标忠实的扩散生成
Adaptive Auxiliary Prompt Blending for Target-Faithful Diffusion Generation
提出一种基于Tweedie恒等式的免训练自适应提示词混合框架，通过闭式系数在扩散每一步平衡辅助锚框提示词与目标提示词的影响，可直接用于提升罕见概念生成和图像编辑的忠实度。
AceTone：连接文字与色彩的条件图像分级
AceTone: Bridging Words and Colors for Conditional Image Grading
将颜色分级建模为生成3D-LUT token序列的任务，利用VQ-VAE压缩LUT并用视觉语言模型预测，为图像编辑提供了一种可复用的、语言驱动的全局颜色变换范式。
AHS：通过合成数据增强的自适应头部合成
AHS: Adaptive Head Synthesis via Synthetic Data Augmentations
提出头部重演合成数据增强策略，在无配对数据下提升头部交换模型对多样表情、姿态和发型的泛化能力，可复用于其他需要跨身份属性迁移的编辑任务。
基于 SVD 特征分解的免训练风格个性化
A Training-Free Style-Personalization via SVD-Based Feature Decomposition
用 SVD 分解内部特征的主成分来分离风格与内容，并在推理阶段通过特征混合与注意力校正实现风格迁移，为免训练个性化生成提供了一条可复用的「特征分解+注意力干预」路径。
时序与内容协同感知的潜扩散模型用于可控手部图像生成
A Temporal and Content Co-Awareness Latent Diffusion for Controllable Hand Image Generation
提出按去噪时间步与条件复杂度动态调节控制信号注入强度的双驱动调制策略，可迁移到任意「结构条件+外观条件」的可控扩散生成任务（如人体姿态引导生成、姿态迁移），替代固定强度的 ControlNet 式注入。
3D-LATTE：基于文本指令的潜空间三维编辑
3D-LATTE: Latent Space 3D Editing from Textual Instructions
把指令编辑从 2D 先验蒸馏搬到原生 3D 扩散模型的潜空间里做，用源物体的 3D 注意力图混合来定位编辑区域，并用傅里叶域谱调制加几何感知正则化抑制多视角不一致——这套「潜空间注意力引导 + 频域正则」的组合可直接迁移到 3D 生成模型的可控编辑与局部重绘。
以3D空间为草稿本的可编辑文本到图像生成
3D Space as a Scratchpad for Editable Text-to-Image Generation
把文本到图像生成中的空间推理外化为可编辑的3D网格场景，再渲染回图像域作为身份保持线索，为可控生成提供了一条不依赖2D布局、支持3D编辑且编辑结果能可靠传导到最终图像的思路。