Tag · 7 篇
指令驱动编辑
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。
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。
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。
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。
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。
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。
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。