Tag · 5 篇
免训练生成
SG-LoRA：语义引导的低秩适配参数生成
SG-LoRA: Semantic-guided LoRA Parameters Generation
对视觉研究者而言，这是一种用任务文本描述在共享嵌入空间中检索并生成 LoRA 权重的免训练方案，可直接用于为未见过的下游视觉任务（如新风格、新域识别）实时构建个性化适配器，避免逐任务微调；其语义到 LoRA 的生成管线也可迁移到扩散模型、VLM 等大模型的高效定制。
一对多：基于注意力控制的高保真免训练异常生成
One-to-More: High-Fidelity Training-Free Anomaly Generation with Attention Control
提出基于自注意力嫁接的免训练少样本异常生成方法，通过操纵三个并行扩散过程并引入异常掩码与双注意力增强，为视觉中数据稀缺场景的生成式数据增强提供了可复用的注意力控制思路。
Muses：无需训练地设计、组合与生成不存在的奇幻 3D 生物
Muses: Designing, Composing, Generating Nonexistent Fantasy 3D Creatures without Training
用 3D 骨骼作为结构先验，把「设计—组装—生成」拆成可复用的免训练流水线；其中图约束推理构造骨骼、潜空间体素组装、骨骼条件下的图像引导外观建模，都可迁移到 3D 资产编辑与组合式生成。
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。
ManifoldGD：面向扩散式数据集蒸馏的免训练层次流形引导
ManifoldGD: Training-Free Hierarchical Manifold Guidance for Diffusion-Based Dataset Distillation
把每个去噪步的引导向量投影到由 IPC 质心邻域估计的局部切空间上，是一种可复用的免训练采样约束手段，可直接迁移到任何需要保持语义一致性的扩散引导或条件生成流程中。