TOPIC · VISUAL-GEN · 67 PAPERS

视觉生成

大语言模型推理对齐智能体多模态视觉生成视觉理解与 3D 机器人与具身高效训练与推理安全与可解释 AI for Science 代码与软件工程评测与数据强化学习

近 30 天 67

#03 ▲223 ★12k ❝1 2026-09-27

YuE2: Unifying Symbolic and Audio Music Generation at Frontier Quality

YuE2 先写可读乐谱再生成整首歌，把符号作曲和音频生成统一到一个模型里。

Multimodal Art Projection · Ruibin Yuan, Jiahao Pan, Junyan Jiang +32

多模态视觉生成 arXiv 代码 HF

#16 ▲161 ★512 ❝1 2026-09-21

WorldCrafter: Consistent Video World Model with Implicit 3D-aware Memory

WorldCrafter 给视频世界模型加入可按相机视角查询的隐式 3D 记忆，长时间探索也保持一致。

ARC Lab, Tencent · Wangbo Yu, Kunhao Liu, Wenbo Hu +8

视觉生成 arXiv 代码 HF

#18 ▲364 ★312 ❝0 2026-10-14

Any Time, Any Space: A World-State-Centric Framework for Agentic Video Generation

ATAS 用场景记忆和事件记忆把剧本编译成镜头，让长视频在时空上前后一致。

Zhejiang University · Weijie Wang, Haomin Zhang, Ye Li +7

视觉生成智能体 arXiv 代码 HF

#20 ▲293 ★201 ❝1 2026-10-08

AgentGarten: Code Worlds for Evolving Agents

AgentGarten 把模拟器、游戏引擎和神经渲染器结合起来，为 Agent 搭建逼真且规则一致的代码世界。

MirroS · Jiawei Chi, Shangchen Miao, Zhiyuan Shi +12

智能体视觉生成 arXiv 代码 HF

#24 ▲325 ★154 ❝0 2026-10-08

DiffusionART: Efficient, Stable and Scalable Reinforcement of Diffusion Models

DiffusionART 先聚合奖励再微调扩散模型，在线强化学习更高效也更稳定。

KlingAI Research · Zhenglin Wan, Jiayu Chen, Zhengfeiyang Zhang +6

视觉生成强化学习 arXiv 代码 HF

#28 ▲367 ★36 ❝1 2026-09-28

MaLiang-Harness: A Programmable Path to Image and Video Generation

MaLiang-Harness 让多模态模型写程序生成图像和视频，并在“构建-检查-修改”循环中缩小程序与画面的差距。

National University of Singapore · Haoyu Zhao, Zihao Zhang, Xudong Wang +4

视觉生成代码与软件工程 arXiv 代码 HF

#39 ▲174 ★364 ❝0 2026-10-04

Kandinsky 6.0 Video: Foundation Models for Synchronized Video and Audio Generation

Kandinsky 6.0 Video 能同步生成 5 秒视频和 44kHz 音频（含口型），分 3B 和 29B 两个版本。

Kandinsky Lab · Team Kandinsky, Julia Agafonova, Bulat Akhmatov +85

视觉生成多模态 arXiv 代码 HF

#40 ▲167 ★97 ❝0 2026-09-23

Training Object Permanence in World Models

构建 150 个认知科学启发任务，检验并训练视频世界模型的“物体恒存”常识。

Carnegie Mellon University · Haotian Zhang, Fengyuan Yu, Dezhi Luo +28

视觉生成推理 arXiv 代码 HF

#44 ▲197 ★123 ❝0 2026-10-07

UltraText Bench: A Comprehensive Bilingual Benchmark for Evaluating Visual Text Rendering in Image Generation

UltraText Bench 用 432 条中英双语提示，评测图像生成模型渲染密集文字的能力。

Westlake University · Deyuan Liu, Yihao Hu, Jingxuan Zhang +13

视觉生成评测与数据 arXiv 代码 HF

#46 ▲137 ★114 ❝0 2026-10-13

AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards

AesCode 以同提示生成的图片做审美参考，用解耦的跨模态奖励训练模型写出更好看的幻灯片和海报代码。

Microsoft · Xin Gao, Yifan Yang, Xin Li +13

代码与软件工程视觉生成强化学习 arXiv 代码 HF

#49 ▲131 ★523 ❝0 2026-10-14

InfiniSplat v2: Analyzing and Improving Feed-Forward 3DGS from Any Views

InfiniSplat v2 分析并改进前馈式 3D 高斯重建，在大视角变化下渲染质量更高。

zju3dv · Yongzhen Hu, Hao Yu, Jiawei Wang +7

视觉生成视觉理解与 3D arXiv 代码 HF

#50 ▲78 ★526 ❝0 2026-09-21

GAE: Learning a Geometry-Native Latent Space for 3D-Consistent World Generation

GAE 把几何基础模型的特征重参数化成紧凑潜空间，让生成的世界在 3D 上保持一致。

ARC Lab, Tencent · Jiahao Lu, Minghao Yin, Wenbo Hu +5

视觉生成视觉理解与 3D arXiv 代码 HF

#56 ▲89 ★1.2k ❝0 2026-10-16

MOSS-Image Technical Report

MOSS-Image 是开源 5B 文生图系统，擅长中英长文本渲染和复杂版式，并配有意图感知的提示增强。

OpenMOSS · MOSI. AI

视觉生成 arXiv 代码 HF

#57 ▲101 ★56 ❝1 2026-10-02

DuoMatching: Joint-Marginal Distribution Matching for Few-Step Video Generation

DuoMatching 同时匹配联合分布和逐帧边缘分布，提升少步视频生成的画质和语义对齐。

ByteDance · Jiahao Zhan, Yan Wang, Yongrui Ma +5

视觉生成高效训练与推理 arXiv 代码 HF

#72 ▲179 ★36 ❝0 2026-10-19

Ropedia W0: Scaling Loco-Manipulation World Models across Embodiments with Human Experience

Ropedia W0 是跨人类与多种机器人的第一视角移动操作世界基础模型，用 1 万小时人类、3 千小时机器人数据训练。

Ropedia · Tianqi Liu, Hanfei Zhao, Qifeng Liang +12

机器人与具身视觉生成 arXiv 代码 HF

#74 ▲117 ★185 ❝0 2026-10-15

3DCodeVerse: Exploring 3D Worlds as Code

3DCodeVerse 提供 200 万条可执行 3D 代码数据和编码框架，让 Agent 生成可编辑可验证的 3D 内容。

University of Southern California · Yipeng Gao, Ziyao Zeng, Jinfa Huang +16

代码与软件工程视觉生成 arXiv 代码 HF

#76 ▲63 ★210 ❝3 2026-09-30

Video Generation Models: A Survey of Post-Training and Alignment

视频生成模型后训练与对齐的综述，梳理时序一致性、物理和安全约束等难点。

Arizona State University · Chaoyu Li, Xiaoyi Gu, Yogesh Kulkarni +10

视觉生成对齐 arXiv 代码 HF

#85 ▲138 ★17 ❝1 2026-09-25

FuseReg: Regularizing Layer Fusion Mitigates the Reconstruction-Generation Gap in Representation Autoencoders

FuseReg 用可训练的层融合加正则，缓解表征自编码器在重建和生成之间的取舍。

USC Physical Superintelligence (PSI) Lab · Hongyang Du, Yunfei Xie, Junjie Ye +13

视觉生成 arXiv 代码 HF

#94 ▲74 ★100 ❝0 2026-10-12

Multics: Generative Multi-Player World Model with Hierarchical Communication

Multics 用玩家-小组-全局的分层通信生成多人互动世界视频，玩家变多时开销可控。

ARC Lab, Tencent · Kaiyi Huang, Wangbo Yu, Yukun Huang +6

视觉生成 arXiv 代码 HF

#97 ▲74 ★49 ❝3 2026-10-01

PROWBench: Do Video Models Render What the Program Specifies?

PROWBench 检验视频模型是否按程序指定的世界事件准确渲染，面向下一代游戏引擎。

Alaya Lab · Zheng-Hui Huang, Guixu Lin, Yu-Ju Tsai +6

视觉生成评测与数据 arXiv 代码 HF

#106 ▲124 ★30 ❝0 2026-09-30

FrameMorrow: Future-guided Frame Selection with Prospective Tokens for Long-Horizon Video Generation

FrameMorrow 用“前瞻 token”按未来需要挑选历史帧，提升长视频生成的效率和一致性。

National University of Singapore · Bo Yin, Xiaobin Hu, Jiaqi Zhao +1

视觉生成高效训练与推理 arXiv 代码 HF

#114 ▲102 ★12 ❝0 2026-10-07

VIS-Ground: Video Interactive Storytelling with Contextual Grounding

VIS-Ground 让观众在交互式视频故事中随时干预，同时保持与素材和已生成内容的一致。

Google · Bingxuan Li, Yiwen Song, Xueqing Wu +10

视觉生成 arXiv 代码 HF

#124 ▲104 ★35 ❝0 2026-09-29

Think Before You Score: Thinking Reward Model for Visual Generation

思考型奖励模型先为每个示例制定评分要点再打分，给视觉生成提供更细的奖励信号。

机构待核实 · Xuehai Bai, Zhenchen Tang, Yang Shi +9

视觉生成对齐 arXiv 代码 HF

#126 ▲52 ★103 ❝0 2026-10-13

LensErase: A Foundation Model for Erase Anything

LensErase 是通用“擦除一切”模型，基于 1 亿对数据训练，可移除物体、文字、水印及其影子等效果。

Microsoft · Yunuo Chen, Xiuyu Wu, Qinhong Yang +11

视觉生成 arXiv 代码 HF

#127 ▲34 ★227 ❝1 2026-09-29

PixelUMM: Encoder-Free Unified Image and Video Understanding and Generation

PixelUMM 不用视觉编码器，直接在像素空间统一图像和视频的理解与生成。

NVIDIA · Cong Wei, Xuanchi Ren, Bryan Chu +8

多模态视觉生成 arXiv 代码 HF

#135 ▲47 ★215 ❝1 2026-10-20

SolarRenderer: Few-Step Generative Reference Rendering

SolarRenderer 给冻结的视频大模型加两个 LoRA，把游戏引擎粗结构视频四步渲染成真实画面，并支持实时流式。

Show Lab · Guian Fang, Shengju Qian, Dongyue Lu +6

视觉生成高效训练与推理 arXiv 代码 HF

#136 ▲60 ★207 ❝0 2026-10-07

SGF+: Decoupling Gradient Flows for Autoregressive Video Generation

SGF+ 把自回归视频生成中“写上下文”和“去噪”分到不同参数，缓解两者梯度冲突。

机构待核实 · Zihan Su, Junhao Zhuang, Yaowei Li +10

视觉生成 arXiv 代码 HF

#140 ▲89 ★34 ❝0 2026-10-01

World Observer: Joint Actor-Observer Generation for Persistent World Modeling

World Observer 在行动者视角之外同时生成全景“观察者”画面，让离开视野的物体也持续演化。

KAIST AI · Hyunwook Choi, Dahyun Chung, Hyunsung Kim +4

视觉生成 arXiv 代码 HF

#143 ▲51 ★81 ❝0 2026-10-14

Intern Lumina U2: A Multi-Codebook Diffusion Large Language Model for Omni-Visual Understanding and Image Generation

Intern Lumina U2 用多码本扩散大模型在同一空间里统一视觉理解和图像生成。

Shanghai AI Laboratory · Qian Yu, Zongyang Qiu, Juncheng Yan +40

多模态视觉生成 arXiv 代码 HF

#145 ▲43 ★48 ❝1 2026-10-14

Orbia: Do Generated Videos Form a Consistent 3D World?

Orbia 是首个系统评测交互式世界模型 3D 一致性的基准，检查回访时场景是否保持不变。

Tencent · Dongyue Lu, Guian Fang, Hur Lim +20

视觉生成评测与数据 arXiv 代码 HF

#149 ▲64 ★44 ❝1 2026-10-08

OuroWorld: Bringing Any 3D World Alive as Diverse, Endlessly Looping 3D Cinemagraphs

OuroWorld 把任意静态 3D 高斯场景变成可从任意视角无缝循环的“3D 动态照片”。

Alaya Lab · You-Zhe Xie, Ting-Wei Chou, Yu-Hsuan Li +3

视觉生成 arXiv 代码 HF

#150 ▲140 ❝0 2026-09-29

Adaptive Reward Routing: Dynamic Multi-Reward Optimization for Joint Audio-Video Diffusion via Forward-Process RL

自适应奖励路由在训练中动态调整更新位置和多个奖励的权重，改进音视频联合生成。

Tencent · Songlin Yang, Xiaotong Zhao, Jiacheng Zhang +5

视觉生成强化学习 arXiv HF

#153 ▲90 ★26 ❝0 2026-10-07

GRACE: Generation-aware latent compression for efficient video generation

GRACE 在保持与预训练 DiT 兼容的前提下进一步压缩视频潜空间，加速视频生成。

KAIST AI · Jiyoung Kim, Paul Hyunbin Cho, Jisu Nam +5

视觉生成高效训练与推理 arXiv 代码 HF

#159 ▲93 ★21 ❝0 2026-10-15

Speculative Forcing for Efficient Autoregressive Video Generation

推测式强制把中间去噪结果当草稿，提前接受已收敛的 token，加速自回归视频生成。

NAVER AI Lab · Hyunwook Choi, Seungryong Kim, Dongyoon Han +1

视觉生成高效训练与推理 arXiv 代码 HF

#162 ▲72 ★21 ❝1 2026-10-08

Multi-Agent Egocentric World Model with Fine-Grained Embodied Interaction

多智能体第一视角世界模型，同步生成多个 Agent 在同一环境中的细粒度交互画面。

KAIST AI · Dahyun Chung, Siyoon Jin, Hyunwook Choi +5

视觉生成机器人与具身 arXiv 代码 HF

#164 ▲66 ★89 ❝0 2026-09-23

The Past Frames the Future: Memory for Autoregressive Video Generation

系统讨论自回归视频生成的记忆问题：如何在有限上下文中保住身份、状态和因果变化。

机构待核实 · Harold Haodong Chen, Rongjin Guo, Disen Lan +22

视觉生成 arXiv 代码 HF

#166 ▲21 ★619 ❝1 2026-10-04

Prism: Dynamic Sparse Attention for Native 2K Joint Video-Audio Generation Model Training

Prism 动态稀疏注意力聚焦发声区域，用于原生 2K 音视频联合生成模型的训练。

Tencent Hunyuan · Shuyuan Tu, Qi Tian, Yinming Huang +8

视觉生成高效训练与推理 arXiv 代码 HF

#168 ▲38 ★625 ❝0 2026-09-29

HelixWorld: A Real-time Interactive Audio-Visual World Model

HelixWorld 是实时可交互的音视频世界模型，画面和立体声随用户操作同步变化。

NoizAI · Lei Ke, Jiahao Pan, Zeyue Tian +13

视觉生成多模态 arXiv 代码 HF

#179 ▲46 ★46 ❝0 2026-10-05

MC-Sparse: Deconstructing and Closing the Dense-Sparse Attention Gap in Diffusion Transformers

MC-Sparse 免训练地逐个挑选 KV token 并缓存补偿，缩小扩散 Transformer 稀疏与稠密注意力的质量差。

Tencent Hunyuan · Jiarui Chen, Zeqiang Lai, Jiangshan Wang +5

视觉生成高效训练与推理 arXiv 代码 HF

#181 ▲182 ❝0 2026-10-20

Matrix-Game 4.0: Harnessing Video Models for Real-Time Playable Game Worlds

Matrix-Game 4.0 让轻量引擎和编程智能体管游戏逻辑、视频模型管画面，单张 RTX 5090 跑出 60 帧。

机构待核实 · Jihai Zhang, Runjia Qian, Kaiqin Kong +15

视觉生成智能体 arXiv HF

#188 ▲63 ★11 ❝0 2026-10-01

AutoGUIWorld: Image Generators as Visual World Models for GUI Agent

AutoGUIWorld 用图像生成模型充当 GUI 的视觉世界模型，合成多样的界面交互轨迹。

Tencent Hunyuan · Cheng Yang, Yifan Wu, Yutao Huang +18

智能体视觉生成 arXiv 代码 HF

#195 ▲41 ★233 ❝0 2026-10-06

WorldSonus: Bringing Sound to Worlds

WorldSonus 为世界模型实时生成与画面和相机运动对齐的立体声，并支持中途指令控制。

NoizAI · Pengjun Fang, Jingyi Fa, Kam Man Wu +9

视觉生成多模态 arXiv 代码 HF

#199 ▲84 ★10 ❝0 2026-10-14

Speculative Sampling in Interactive Video Generation

交互式视频生成中的“推测采样”：用大窗口预测并缓存结果，兼顾画质与低延迟。

university of science and technology of china · Yubo Huang, Yuxuan Zhang, Jiaming Liu +2

视觉生成高效训练与推理 arXiv 代码 HF

#203 ▲37 ★67 ❝0 2026-10-09

Correction Training for Diffusion Models

为缓解扩散模型的曝光偏差，额外训练一个“校正器”在每个去噪步修正预测，在 DiT、SiT、JiT 上明显提升质量。

University of California, Berkeley · Donghoon Ahn, Runqian Wang, Alexei A. Efros +2

视觉生成 arXiv 代码 HF

#213 ▲104 ❝1 2026-09-21

RULER: Instance-aware Rubric Rewards for SVG Generation

RULER 用针对每条指令的多维评分细则当奖励，训练模型生成 SVG 矢量图，缓解奖励作弊。

inclusionAI · Hangyu Ran, Yuhao Zheng, Yingying Zhang +2

强化学习视觉生成 arXiv HF

#217 ▲58 ★38 ❝0 2026-10-12

AReA: Adaptive Receptive-Field Attention for Efficient High-Resolution Diffusion Transformers

AReA 让扩散 Transformer 的注意力感受野随去噪步骤自适应收窄，更省算力地生成超高分辨率图像。

University of Toronto Computer Science · Javad Rajabi, Koorosh Roohi, David B. Lindell +1

视觉生成高效训练与推理 arXiv 代码 HF

#225 ▲107 ❝1 2026-10-01

SALD: Self-Referenced Advantage Learning for Diffusion Models

SALD 让扩散模型在两个噪声等级下自我对照打分，不需要教师模型就能获得训练信号。

Indian Institute of Technology, Kanpur · Aryan Das, Surjo Dey, Koushik Biswas +4

视觉生成 arXiv HF

#227 ▲68 ★14 ❝0 2026-09-30

Hear the World in Stereo: Learning Dynamic Spatial Correspondence for Immersive Joint Video-Audio Generation

StereoBind 让生成视频中的立体声声源位置随画面物体运动而变化，用于沉浸式音视频生成。

机构待核实 · Hanmo Chen, Chengcheng Liu, Tianxiao Chen +7

多模态视觉生成 arXiv 代码 HF

#231 ▲41 ★123 ❝0 2026-10-13

FlashVSR+: Efficient Video Super-Resolution via Hybrid Attention and Reward-Yield Distribution Matching

FlashVSR+ 用混合注意力和偏好对齐的分布匹配，让一步式视频超分辨率更快、更符合人眼偏好。

MMLab-CUHK · Ruchang Yao, Shi Guo, Junhao Zhuang +7

视觉生成高效训练与推理 arXiv 代码 HF

#244 ▲86 ★4 ❝0 2026-10-15

SCOPE: Semantic Bounded Credit Optimization for Prompt Engineering in Text-to-image Generation

SCOPE 基于 GRPO，按语义片段而非单个子词分配奖励，训练文生图提示词改写模型。

University of Rochester · Yufei Jiao, Jinfa Huang, Zeyue Xue +5

强化学习视觉生成 arXiv 代码 HF

#251 ▲60 ★24 ❝0 2026-10-01

Spatial Memory Intelligence: Endowing World Models with Understanding-Driven Long-Term Memory

用多模态大模型的空间理解来管理长期记忆，让世界模型在长视频生成中保持空间一致。

机构待核实 · Ying Yang, Guiyu Zhang, Lianghua Huang +5

视觉生成多模态 arXiv 代码 HF

#253 ▲50 ★31 ❝0 2026-09-28

Learning Native Reflection in Unified Models with Interleaved Reinforcement Learning

用交错强化学习联合训练统一多模态模型的“反思文本”和图像生成，让它能自查并修图。

MMLab@NTU · Yijia Fan, Ziqi Huang, Zhongang Cai +5

多模态强化学习视觉生成 arXiv 代码 HF

#258 ▲39 ★28 ❝1 2026-10-01

4Director: Controlling Video World Models with Rigid 3D Geometry

Stability AI 的 4Director 用刚体网格加逐帧变换的 4D 场景，精确控制视频世界模型的镜头与物体运动。

Stability AI · Wei Cao, Hao Zhang, Vikram Voleti +5

视觉生成 arXiv 代码 HF

#261 ▲31 ★194 ❝0 2026-10-07

Iris-3B: Going Beyond the Latent with Pixel-Space Diffusion Training, Conversion and Fine-Tuning

Iris-3B 从头预训练并转换得到像素空间扩散模型，检验去掉 VAE 是否有利于细节敏感任务。

speridlabs · Hanqiu Li Cai, Chema Garabito

视觉生成 arXiv 代码 HF

#265 ▲33 ★16 ❝0 2026-10-09

Learning Representations to Guide Pixel Diffusion Transformers

研究什么样的视觉表示真正有助于像素扩散 Transformer 生成，发现理解能力强不等于生成有用。

alibaba · Zihao Pan, Mengting Chen, Cheng Shi +6

视觉生成 arXiv 代码 HF

#268 ▲73 ❝0 2026-09-21

VideoGen-Agent: Reinforcing Video Generation Agents

VideoGen-Agent 用多任务智能体强化学习训练视频生成智能体调用外部工具，满足需要专门知识的提示。

Princeton University · Binxu Li, Haoyi Duan, Yuhui Zhang +9

视觉生成智能体强化学习 arXiv HF

#280 ▲42 ★17 ❝0 2026-10-20

Learning the 4D World through Point Trajectory Forecasting

VPM 世界模型同时预测多视角未来视频和场景点的三维轨迹，并扩展到机器人控制。

机构待核实 · Byungwoo Jeon, Sunghwan Hong, Dohyeon Kim +10

视觉生成机器人与具身 arXiv 代码 HF

#285 ▲37 ★22 2026-10-18

MT Forcing: Towards Stable and Consistent Multi-Turn Image Editing with Autoregressive Diffusion

MT Forcing 用单轮蒸馏教师和教师强制引导训练自回归扩散模型，减少多轮图像编辑中的画质漂移和内容走样。

SenseNova · Houyuan Chen, Fanzhou Wang, Xiangyu Fan +10

视觉生成 arXiv 代码 HF

#286 ▲27 ★8 2026-10-19

RoAR-VAE: Improving Latent Diffusability through Robust Prediction

RoAR-VAE 提出“稳健预测”原则：让被破坏的潜变量仍能恢复语义和图像，从而让潜空间更容易被扩散模型学习。

Tsinghua-LeapLab · Yang Yue, Fangyun Wei, Yitong Wang +4

视觉生成 arXiv 代码 HF

#287 ▲26 ★47 ❝0 2026-10-19

Manga2Animate: An Agentic Framework for Faithful Manga Animation with Script and Storyboard Planning

Manga2Animate 用“创作+审核”配对的多智能体先写动画剧本和分镜，再生成忠于原作的漫画动画。

National Yang Ming Chiao Tung University · Sheng-Wei Zhang, Hsi-An Chen, Yan-Ting Liou +3

智能体视觉生成 arXiv 代码 HF

#288 ▲33 ★12 ❝0 2026-10-16

Execution Before Memory: Diagnosing Memory Failures in Video World Models

MIST 评测把“是否执行了指令”与“是否记住”分开，发现视频世界模型的瓶颈多在执行而非记忆。

The University of Hong Kong · Weiyang Jin, Jiwen Yu, Sihan Xu +2

评测与数据视觉生成 arXiv 代码 HF

#295 ▲27 ❝0 2026-10-19

SWIFT: Self-guided Weak-to-strong dIFfusion models via Target extrapolation

SWIFT 用冻结的早期弱模型给训练目标做外推，放大强模型欠拟合的部分，提升扩散模型质量且不增加推理开销。

alibaba · Yanjin He, Cuifeng Shen, Wanzhou Lei +5

视觉生成 arXiv HF

#297 ▲22 ★9 ❝0 2026-10-06

Consistent Distribution Matching for Data-Free Diffusion Distillation

提出无需数据和教师采样的扩散蒸馏方法，单个学生网络同时生成样本和估计分数，一步生成即达很低 FID。

Vector Institute · Yuxiang Fu, Qi Yan, Zike Wu +4

视觉生成高效训练与推理 arXiv 代码 HF

#302 ▲22 ❝0 2026-10-20

Joints, Camera, Action! Co-Generating 3D Motion and Video for Arbitrary Rigs

NVIDIA 提出给任意骨骼同时生成视频和可回放的 3D 动作及相机，把视频里的动作直接用于 3D 资产。

NVIDIA · Noam Rotstein, Yoad Tewel, Chen Tessler +5

视觉生成视觉理解与 3D arXiv HF

#303 ▲33 ❝0 2026-10-16

MTEdit: Packed Trajectories Beat Rollouts for Multi-Turn Image Editing

MTEdit 用“打包轨迹画布”一次生成多个编辑状态，构建 50 万条多轮图像编辑数据和配套评测。

SenseNova · Houyuan Chen, Fanzhou Wang, Xiangyu Fan +8

视觉生成评测与数据 arXiv HF

#305 ▲26 ❝0 2026-10-03

Super-Resolution in The Right Latent Space: A Frozen Vision-Foundation Substrate

主张在冻结的视觉基础模型特征空间里做超分辨率，比在重建型潜空间或像素空间更合适。

RTP-LLM · Wanzhou Lei, Cuifeng Shen, Yanjin He +6

视觉理解与 3D 视觉生成 arXiv HF

#307 ▲22 2026-10-19

SpecKCast: Spectral Kalman Forecasting for Diffusion Acceleration

SpecKCast 在频域用卡尔曼滤波预测扩散 Transformer 输出，不确定性高时才真算一次，无需训练即可加速。

Samsung Research · Javad Rajabi, Hakki Can Karaimer, David B. Lindell +2

视觉生成高效训练与推理 arXiv HF

在归档中检索该主题 →