跳到正文
10月14日週三
  1. HuggingFace Daily Papers(社區熱門論文)36

    SliderEdit++:改善基於指令的圖像編輯滑桿軌跡

    SliderEdit++ 透過軌跡正則化與解耦,改善基於指令的圖像編輯中滑桿控制的可靠性,令控制過程更平滑、快速。研究團隊推出 SlideBench,評估編輯進展的單調性、感知連續性及滑桿解耦;SliderEdit++ 在基準上的總分較最強基線高 18.5%。採用少步數編輯骨幹後,速度約為現有滑桿式方法的 3x 至 20x。

  2. HuggingFace Daily Papers(社區熱門論文)34

    VascuSR:用於 CT 超解析度的迭代式解剖感知擴散框架

    VascuSR 提出結合 3D 血管引導的迭代式解剖感知擴散框架,以提升 CT 超解析度重建的解剖準確度和血管連通性。在重新標註的 MSD Task08 和 HVM 數據集上,其分割及 3D 血管結構表現優於插值和學習式基線,影像質素則與超解析度骨幹相若。相較學習式基線,兩個數據集的類別平均連通分量數減少超過 20%,MSD 的平均中心線距離減少超過 10%。

  3. The Verge · AI62

    Mia Goth 代表批評 Instagram 放任冒用她的 AI 生成影像傳播

    Mia Goth 的代表稱,Instagram 上一個認證粉絲帳戶發布的 AI 生成影像迅速傳播,並批評平台放任影像擴散;他們已多次投訴要求移除該帳戶。該帳戶標示為粉絲營運,擁有超過一百萬名追蹤者,藍勾認證可能造成混淆。Meta 的規則不要求靜態 AI 生成圖片加上 AI 標籤;截至週二早上,該帳戶似乎已從 Instagram 消失。

10月13日週二
  1. The Guardian Technology62

    AFL 要求 Sportsbet 停止未經球員同意使用 AI 生成球員影片

    澳洲 AFL 要求官方博彩合作夥伴 Sportsbet 停止未經球員同意,使用球員形象製作 AI 社交媒體內容,並刪除相關影片。這些影片讓 AFL 球員模仿電影、電視節目或演講內容;Sportsbet 在 Guardian Australia 聯絡後,於週二下午從 Instagram 移除影片。AFL 球員協會認為影片違反集體談判協議,但該協議沒有提及 AI。

  2. Lovable Blog42

    Lumoo 如何藉助 Lovable 由內而外改變時尚產業

    Lumoo 以 Lovable 打造面向時尚及零售品牌的 AI 原生內容平台,整合虛擬試穿、B2B 銷售工具、本地化及自動品牌建模。平台完全建基於 Lovable,整合 30 個協同運作的 AI 模型,並可按地區需求替換模型。自 2025 年 2 月推出後,Lumoo 在 9 個月內達到 €700K ARR,並簽約 Gant 等 15+ 個品牌客戶。

  3. Lovable Blog63

    Lovable 擴展功能,支援數據分析及生成文件、圖像和影片

    Lovable 擴展應用程式建置能力,現可分析檔案及連接的應用程式資料,並生成可供編輯及下載的文件,以及可下載的圖像和影片。支援 PowerPoint、Word、PDF、CSV、Excel、JSON、XML、JPEG、PNG、GIF、WebP、文字檔及影片。其 AI 智能體可在安全環境中執行程式碼和小型腳本,用於數據分析、檔案處理及格式轉換。

  4. unwire.hk · 人工智能43

    有網民不滿 Gemini 太蠢,反被留言指「你表達能力仲差」:如何改善 AI 發問成功率?

    一名網民向 Gemini 輸入含糊指令,系統把「只要文字」理解成木牌標語並生成圖片;他抱怨 AI 後反遭網民批評表達不清。文章建議以標點和結構區分情境、任務與格式,明確指定所需產出;結果不符預期時,應具體指出誤解並提出修正要求。

  5. HuggingFace Daily Papers(社區熱門論文)35

    H-DDCM: Hadamard Codebooks for Fast Generative Image and Video Compression

    H-DDCM 以隱式隨機 Hadamard 字典及免查表字典序編碼,取代稠密 Gaussian 碼本,降低免訓練生成式圖像與影片壓縮的記憶體及計算開銷。快速 Walsh-Hadamard 轉換以 O(d log d) 計算量完成投影與重建,記憶體用量為 O(d)。該方法亦支援自回歸影片 flow 模型,可在單張 GPU 上進行長片段、接近即時的生成式影片壓縮。

  6. HuggingFace Daily Papers(社區熱門論文)47

    PixText 以像素空間分組圖像生成高效精修場景文字

    PixText 將局部場景文字精修建模為像素空間分組圖像生成,依據原圖只生成目標區域,並保留未編輯內容。在 Text Refinement Bench 上,PixText 的字形通過率為 83.06%,目標字元 OCR 完全匹配準確率為 94.66%,高於最強基線的 36.77% 和 52.31%。四步 MeanFlow 版本維持 81.84% 通過率,每張圖像的攤銷生成成本低於 1 GPU 秒。

  7. HuggingFace Daily Papers(社區熱門論文)43

    Simplifying and Improving On-Policy Distillation for Few-Step Diffusion

    研究提出簡化匹配蒸餾(SMD),以簡單的在策略速度回歸作為少步擴散生成的基礎。SMD 加入僅用於訓練的 Pivot 殘差代理,並令學生模型遠離較弱的教師預測;整套方法不需線上分數估計或對抗訓練,部署時生成器維持不變。在 4-NFE 下,SMD 勝過強力少步基線,並在多項基準測試中超越多步教師,規模可達 33 billion parameters。

  8. HuggingFace Daily Papers(社區熱門論文)49

    Coding Agents 的圖像生成能力有多大?

    研究探討 Coding Agents 能以程式碼生成圖像到甚麼程度,並在涵蓋 200 個提示詞的 AgentDrawBench 上評估其零樣本繪圖能力。結果顯示,Agents 擅長保留結構及滿足精確的視覺約束,但感知豐富度有限;重建所得的視覺程式碼亦保留了大量可用於視覺問答的資訊,在部分領域的準確度高於原始圖像。研究還發現,Agents 在不同繪圖介面及視角下呈現一致的場景佈局。

  9. Unite.AI44

    Where Were You When Reality Died?

    作者從一段疑似由 AI 生成的無尾熊與貓互動影片出發,反思自己即使多年研究 AI 影像與影片,也已無法再完全相信眼前所見。研究顯示,截至 2025 年底,人們辨識 AI 生成圖片的準確率為 54%;文章並探討內容認證與監管的侷限,以及把判斷交給制度可能帶來的問題。

  10. Unite.AI47

    MachGen AI 聯合創辦人兼 CEO Kismat Singh 專訪

    MachGen AI 聯合創辦人兼 CEO Kismat Singh 在訪談中表示,公司正為擴散模型建立專用推理及微調技術堆疊,以加速圖像與影片生成。MachGen 稱,使用原始、未蒸餾模型時,部分圖像模型延遲降低約 4–6x,若干影片模型約 6x;HiDream 用時 1 秒,Wan 2.2 用時 16.5 秒。圖像模型推理成本降低 2–4x,影片模型降低 2–3x。

  11. Unite.AI41

    「Housefishing」:AI 在房地產領域引發的爭議

    地產代理可利用 AI 大幅修改樓盤圖片,掩蓋裂縫、移除車輛或改變房屋外觀,令買家到場後發現實況與照片不符,形成「housefishing」爭議。2025 年報告指,83% 地產代理認為佈置有助買家想像該房屋成為未來居所;AI 虛擬佈置可添置傢俱、整理房間及美化戶外空間。過度修飾樓盤圖片正削弱買家對地產代理及網上樓盤圖片的信任。

10月12日週一
  1. HuggingFace Daily Papers(社區熱門論文)45

    Image Tokenizers Should Be Trained Between Images

    InterpTok 透過微調 MAETok,讓解碼器將圖像編碼混合解碼為自然圖像。它保留 MAETok 的重建品質,插值品質提升逾三倍;配對的 diffusion transformer 在無 guidance 下,生成 FID 由 11.61 降至 8.48,採用八分之一的採樣步數時更達 8.11。使用該 tokenizer 訓練的生成器,只需一半訓練步數便達到 MAETok 生成器的最終結果。

  2. HuggingFace Daily Papers(社區熱門論文)45

    InfoVis:統一投影片圖像生成與編輯模型

    InfoVis 是一個統一的 9B 投影片生成與編輯模型,在 VisSlideBench 的 11 項指標均領先所有受測開源模型,總分為 7.94,Nano-Banana-2 則為 7.99。模型以 FLUX.2-klein-base-9B 為基礎,投影片專項後訓練令總分提升 1.6 分。團隊將發布模型、程式碼、數據及基準測試集。

  3. HuggingFace Daily Papers(社區熱門論文)36

    AReA:用於高效高解像度擴散 Transformer 的自適應感受野注意力

    AReA 提出無需訓練的自適應注意力機制,令擴散 Transformer 在高於訓練解像度生成圖像時,感受野按去噪進程由粗至細變化。實驗顯示,AReA 無需額外參數或訓練,在不同目標解像度及模型上均勝過現有最先進的免訓練基線方法,速度亦更快、效率更高。

10月11日週日
  1. IT之家63

    Qwen-Image-2.1 Pro 和 Turbo API 上線千問 AI 平台,讓應用接入圖像生成與編輯能力

    千問 AI 平台已上線 Qwen-Image-2.1 Pro 和 Turbo API,開發者可將圖像生成與編輯能力接入應用,無需自行部署模型或管理推理環境。Qwen-Image-2.1 最多支援 10 張參考圖,並可透過圈選、塗抹和獨立掩碼指定編輯區域;Qwen-Image-2.1-Turbo 基於 7B 視覺生成架構,將去噪過程縮短至 8 步,並支援 2K 圖像生成與編輯。

  2. Hacker News:AI 熱帖35

    Nikon 一項比賽捲入生成式 AI 風波

    Nikon 一項比賽出現涉及生成式 AI 的違規投稿,該投稿因違反比賽規則被取消資格。留言者爭論生成式 AI 作品是否必然低質,並指出違規與作品品質是兩回事;亦有人認為攝影作品應記錄真實時空。

10月10日週六
  1. 字節 Seed:Research Feed65

    不止「生成」,更懂「設計」:Seedream 5.0 Pro 發佈

    字節 Seed 正式發佈多模態圖像創作模型 Seedream 5.0 Pro,提升圖文匹配、結構合理性、文字渲染及畫面美感。模型支援高密度資訊圖生成、互動式精準編輯、圖層拆分、多圖融合,以及十餘種常用語言的直接輸入與生成。目前已在火山方舟體驗中心上線,並將陸續在豆包、即夢上線;項目主頁:https://seed.bytedance.com/seedream5_0_pro

10月9日週五
  1. Recraft 自有模型與設計產品59

    如何用 Recraft 設計原創角色概念圖

    Recraft 的指南示範如何在 Recraft Studio 中,從一句構想逐步設計原創角色,最後製作角色主視覺圖。流程先以 Recraft V4.1 Flash 探索 12 種題材、六種角色類型和 12 種視覺風格,再逐步測試服裝、剪影、形狀語言、配色及渲染方式;文中稱五次 Flash 生成約 120 個草稿角色,耗用 10 credits。

  2. Recraft 自有模型與設計產品58

    如何用 AI 製作角色參考表

    Recraft Studio 示範以一張角色主圖製作多角度轉面表、表情表和姿勢表,讓後續生成維持角色外觀一致。流程先用 Recraft V4.1 Pro 生成主圖,再以 Nano Banana 2.1 將主圖作為參考生成三類圖表,最後加入色板和易出錯細節備註並匯出。

  3. Recraft 自有模型與設計產品56

    Recraft Studio 教學:如何為角色設計風格一致的環境概念圖

    Recraft Studio 指南示範如何從角色圖建立自訂風格,再設計場景並將角色放入其中,為角色打造風格一致的世界。流程以 Recraft V4.1 Pro 生成環境,再用 Nano Banana 2.1 配合環境圖和角色圖作雙參考;文章亦建議固定角色細節,並以重複道具、配色和光線維持不同場景的一致性。

  4. Recraft 自有模型與設計產品56

    Recraft V4.1 Vector 教學:把配角設計成向量吉祥物

    Recraft 的指南示範如何使用 Recraft V4.1 Vector,將角色配角設計成向量吉祥物並製作表情貼紙組。指南建議在單張 16:9 圖片中生成整組姿勢,並具體描述眼睛、圓環和天線的形狀與動作,以保持造型一致。輸出為 SVG 後可拆成獨立貼紙,並在 16、32 像素等實際尺寸檢查辨識度。

  5. Recraft 自有模型與設計產品51

    如何用 Recraft Studio 為自創角色製作漫畫

    Recraft 的指南示範如何在 Recraft Studio 以自創角色製作四格漫畫,涵蓋編寫劇本、製作分鏡、逐格生成畫面和對白排版。指南建議先用 V4.1 Flash 製作分鏡,再以環境圖和角色圖作參考,使用 Nano Banana 2.1 逐格生成正式畫面。對白應以文字工具加入,因為圖像模型生成的文字經常有拼寫錯誤。

  6. Recraft 自有模型與設計產品54

    如何在 Recraft Studio 根據原圖生成 AI 圖像

    Recraft 的教學介紹如何在 Recraft Studio 以原圖生成 AI 圖像,流程分為上傳、描述變更、控制與原圖的差異及匯出四步。文章將任務分為編輯、重設風格和變體,並説明提示詞與相似度設定如何影響原圖保留程度。API 以 0 至 1 的 strength 值控制變化幅度;免費方案每日最多提供 30 次生成。

  7. HuggingFace Daily Papers(社區熱門論文)43

    SpaceFlow:可局部控制的 3D 生成

    SpaceFlow 提出免訓練流程,以文字描述和幾何圖元生成 3D 內容,並可為各區域設定局部控制程度,選擇嚴格遵循輸入形狀或容許生成補全。外觀合成時,各部分只根據指定的文字或圖像線索生成;固定幾何評估中,文字條件路由的提示詞吻合度及顏色/材質準確度達到當前最先進水平。

  8. HuggingFace Daily Papers(社區熱門論文)44

    Beyond Spatio-Temporal Priors: A Generalizable Approach for Dense Correspondence Matching

    FreeMatching 是一個通用框架,結合生成式與語義基礎表徵,以及來自傳統數據集、追蹤影片和合成場景的異質監督,旨在應對影像編輯與參考引導生成中的密集對應匹配。實驗顯示,單一 FreeMatching 模型提升了具挑戰性的影像對之對應品質,同時在傳統基準測試中保持競爭力。它亦可作為量化身份保留程度的指標,評分與人類判斷相關。

  9. HuggingFace Daily Papers(社區熱門論文)44

    從提示詞到構圖:用於海報生成的 Spatial Canvas Interface

    研究提出 Spatial Canvas Interface,讓用戶在空間畫布上編排海報生成意圖,並據此開發模型 Compo。介面提供語義、身份、文字及像素四種綁定方式,並以 Text Specifications 描述個別元素與整體外觀。評測顯示,Compo 的構圖可控性強於通用圖像生成模型及專用海報生成系統,同時維持高視覺質素。

  10. HuggingFace Daily Papers(社區熱門論文)45

    VibeEdit:以畫布指令編輯圖像

    VibeEdit 提出以畫布指令編輯圖像的介面,用戶可直接在圖像上標記編輯位置及修改內容,無須另寫文字提示詞。在 419 個案例的基準測試中,VibeEdit 的 VLM 評分為 79.9、區域外 PSNR 為 32.8 dB,高於文字指令基線 FireRed 的 67.4 及 24.0 dB。

  11. HuggingFace Daily Papers(社區熱門論文)41

    RISEBench++:推理導向視覺編輯評測基準

    研究團隊提出 RISEBench++ 視覺編輯評測基準,並提出免訓練的 RISE-Agent 框架。基準涵蓋 6 個推理維度、12 個子類別、65 種任務及 1,000 個人工標註測試案例,支援英文和中文。評估 58 種方法後,表現最佳的 GPT-Image-2.5 Sunburst 準確率為 56.6%。