Tag · 6 篇

图像编辑

分布图像编辑与可控生成3生成模型与扩散1数据集与评测1底层视觉与图像复原1

iMontage: Unified, Versatile, Highly Dynamic Many-to-many Image Generation

把预训练视频模型的时间连贯先验迁移到多图生成，用最小侵入的适配策略保留原始运动先验，为图像集生成与编辑提供统一框架，可复用于需要跨图一致性的多图/故事板生成任务。

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。

UnicEdit-10M: A Dataset and Benchmark Breaking the Scale-Quality Barrier via Unified Verification for Reasoning-Enriched Edits

该论文构建了千万级图像编辑数据集和涵盖空间与知识推理的基准，并提出了非编辑一致性和推理准确率等新指标，为训练和评估图像编辑模型提供了可复用的数据管道与诊断工具。

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。

Edit-aware RAW reconstruction

把可微 ISP 当作损失函数的渲染算子，在 sRGB 空间监督 RAW 重建，使恢复的 RAW 对渲染风格和后期编辑更鲁棒；这一「在显示域而非传感器域算损失」的思路可直接迁移到去噪、超分、低光照增强等需要下游 ISP 配合的底层视觉任务。

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。