技术方向
AI 画图与修图：文生图模型更新、图像编辑能力与创作工具。
84 条精选近 30 天 75 条共收录 100 条
AI 生成的猫狗短剧正在抖音、小红书、TikTok 等平台快速扩散，抖音 #AI 萌宠话题累计播放 26.4 亿次，#AI 宠物挑战累计 16.8 亿次。头部博主已跑通变现路径：@川岛小猪 累计接到 8 笔品牌商单、单条笔记报价 4500 元；@LT 小狗日记单条定制广告最高报价 8 万元，并推出 79.9 元周边 T 恤与付费教程。
推荐理由：原文梳理了 AI 宠物短剧从制作工具、爆款内容到品牌商单与带货的变现链条，适合想了解 AIGC 在垂直内容赛道落地节奏的读者。
论文提出 FreeMatching 稠密对应匹配框架，融合生成式与语义基础表征，并在图像编辑与参考引导生成（IEG）场景中保持身份一致性。实验显示单一模型在 IEG 图像对上显著提升匹配质量，同时在经典基准上保持竞争力，其匹配分数与人类判断相关，可作为身份保持的定量评估指标。代码已开源：https://github.com/luping-liu/FreeMatching。
推荐理由：原论文提出不依赖时空先验的稠密匹配框架 FreeMatching，并在图像编辑场景下验证了可量化的身份保持评估方法。
研究团队提出 VibeEdit 图像编辑界面，将用户在图上直接放置的空间标记和简短备注作为画布指令，无需文字 prompt 即可完成对象增删、替换、属性修改和移动。
推荐理由：原文给出画布指令的交互方式、层解耦条件编码与分阶段训练方法，并附自建 419 例基准的对比数据，可作为图像编辑交互设计的迁移参考。
作者用 HuggingChat 的 ML Intern 在几天内训练了 6 个定制小模型，包括柑橘病害分类器、Huggy 角色 LoRA、相机视角 LoRA、涂鸦替换 LoRA、0.8B 口袋改写器与 Agate 4 步蒸馏模型，总算力约 103 美元。
推荐理由：作者公开了用 ML Intern 训练小模型的 7 段提示词与项目流程，强调 Verified facts、基线、smoke test 与预算上限等可被迁移使用的写法。
Rembrandt 是开源照片编辑器，作为 Adobe Lightroom 替代品，支持 macOS、Windows 和 Linux 全本地运行。它内置 AI 超分（2× 和 4×）、AI 去噪、重对焦、AI 主体/深度蒙版等 GPU 加速功能，支持 1000+ 相机 RAW 文件。
推荐理由：作为开源的本地 Lightroom 替代品，整合了 AI 超分、去噪、重对焦等 GPU 能力，并通过标准 XMP 与 Adobe 工具保持互操作。
论文针对像素扩散 Transformer，提出 Representation Guidance（RG）：通过低维瓶颈把生成相关信息压缩进紧凑表示，并据此修改流匹配目标来引导解码器生成。
推荐理由：论文提出 Representation Guidance，用低维瓶颈压缩生成相关表示并据此修正流匹配目标，在 ImageNet 256x256 上以 459M 参数跑出 FID 1.55。
APEX 用分层潜空间加异步去噪把扩散生图压到 64 个 token，匹配训练与推理算力时画质仍超过 256 token 基线，token 用量降到原来的 1/4。该方法还让通道缩放在高压缩场景下保持可用，缓解其他方法出现的画质退化。
推荐理由：APEX 用分层潜空间配合异步去噪把生成 token 压到 64 个，仍超过 256 token 基线，给高压缩场景下的扩散生图提供了一条可借鉴路线。
MixTok 提出一种混合视觉分词器，用紧凑 1D 全局表示结合稀疏 2D token 做局部精修，并通过内容自适应路由器在平均 token 预算下选定需要精修的位置。在 ImageNet 256x256 上，平均约 128 个内容 token 重建 rFID 达 1.195，约 131 个 token 生成 gFID 达 1.95。项目页与 GitHub 仓库已公开。
推荐理由：提出 1D 全局加 2D 稀疏精修的混合视觉分词方案，并给出在 ImageNet 上具体的重建与生成指标，可作为对比参考。
论文 InstantFusion 提出一个轻量级共享潜在空间接口，通过模型特定的 Latent AutoEncoders 将不同扩散/流生成模型的中间态投影到同一空间，使其去噪轨迹能在不同生成器之间无缝切换，无需为每对模型训练专用映射。
推荐理由：给出了异构扩散/流模型间的中间态共享映射方案，读者可据此评估它对加速与多模型组合场景的迁移价值。
Pristine Models 提出一种新的文生图架构，通过注意力机制在预训练阶段把安全与不安全知识分别放入独立参数分支，推理时可卸下不安全分支。在 ImageNet 上，该方法相比仅用安全数据训练或事后概念擦除，取得了更高的图像质量与更好的文本对齐；论文进一步在 CC12M 上验证其在更大规模、更多样化的开放世界预训练下仍然有效。
推荐理由：提出预训练阶段把不安全知识隔离到独立分支的思路，避免事后概念擦除引发的灾难性遗忘，并给出与仅用安全数据训练及事后擦除的比较结果。
论文提出 DiffusionART，一种无需可微奖励和逐任务调参的扩散模型在线强化学习微调方法，支持配对奖励模型 DiffusionART-Pairwise。
推荐理由：它提出一种无需奖励可微、无需逐任务调参的扩散模型 RL 微调方法，并以 HunyuanVideo-13B 上大幅领先 DiffusionNFT 和 Flow-GRPO-Fast 的 GPU 时间和奖励作为迁移参考。
RAESR 使用 23 层冻结 DINOv3-L 融合得到的潜空间作为重建基底，训练 415M 解码器在重建与对抗目标下完成单步图像超分辨率。该方法在 RealSR、DRealSR、LSDIR 和 DIV2K-Val 上以单张 H20 GPU 处理 512×512 图像耗时 37ms，取得当前最佳的保真度-感知权衡；将基底换成 VAE 潜空间、其余设置不变则各项指标均下降。
推荐理由：论文给出了在 DINOv3 潜空间做超分辨率的具体设计与 VAE 基底对比，可作为视觉表征迁移至底层视觉任务的方法参考。
SALD 提出了一种无需外部教师网络的扩散模型自参考训练框架，在不改动推理流程的前提下提升了生成质量。
推荐理由：原文给出不依赖外部教师网络的扩散模型自参考训练思路，可为改进现有扩散模型训练流程提供可迁移的方法参考。
CDMD 提出一种无数据扩散蒸馏方法，无需训练辅助 fake-score 网络，在 ImageNet 256×256 上以 1 NFE 取得 2.04 FID，超过 DMD2 的 3.43 FID。方法把样本生成与速度估计统一到单个学生网络，并给出通过 Wasserstein 收敛连接一致性目标与分布匹配的理论分析。
推荐理由：把样本生成与速度估计统一到单个学生网络，给出更简洁的无数据扩散蒸馏框架，1 NFE 时 FID 即超过 DMD2。
论文提出 Diffusion On-Policy Context Distillation（D-OPCD），把 Text-to-Image 智能体 harness 累积的提示迭代、记忆与技能等能力通过 on-policy 蒸馏固化进扩散模型权重，使模型在仅接收原始查询时也能保留部分 harness 增益。
推荐理由：提出 D-OPCD 把智能体迭代增益固化进扩散模型权重，量化了脱离 harness 后仍可保留的提升幅度，并指出 harness 与模型持续协同进化的可行路径。
论文提出 NAMVIS，一个无扩散的多视图图像合成框架，将多视图生成重新表述为几何条件下的下一尺度自回归任务：通过少量由粗到细的尺度步骤预测离散视觉 token，并在每个尺度内对所有目标视图的 token 并行采样。
推荐理由：在扩散方法主导的多视图合成领域，给出一种以几何条件下一尺度自回归替代迭代去噪的路径，并提供与扩散基线在精度和速度上的直接对比。
以色列魏茨曼科学研究所 Michal Irani 团队开发出一种 AI 工具，仅凭高分辨率 fMRI 脑扫描就能重建被试者看到的图像，并在对比中显著优于已有方案。
推荐理由：原文把这项脑扫描重建图像方法与此前需约 40 小时校准的方案做了对比，并讨论迁移到 EEG 后放大的隐私风险。读者可以据此判断当前脑解码技术的实际进展。
千问（Qwen）开源统一文生图与编辑模型 Qwen-Image-2.1，视觉生成组件仅 7B 参数，采用 32 层 Single-Stream DiT，支持常规或 RGBA 透明图像生成与编辑。
推荐理由：模型把文生图、图像编辑与 RGBA 透明图生成统一在 7B 视觉组件中，并附带完整的推理调用代码。
千问（Qwen）开源统一文生图与图像编辑模型 Qwen-Image-2.1，视觉生成部分采用 7B 参数与 32 层 Single-Stream DiT 结构。
推荐理由：原文给出了 7B 参数 DiT 架构与原生 RGBA、参考图编辑等能力细节，可作为对比同类图像生成模型的参考。
Gradio 团队发布 Workflow1111，用 73 个节点、11 条媒体管线在 Gradio Workflow 画布上复刻了 AUTOMATIC1111 的大部分功能，包括文本生图、高清修复、图像编辑、prompt 矩阵、VLM 反推、检测生成 inpaint 蒙版、Annotator、上采样、背景移除、PNG Info 与图生视频。
推荐理由：把 AUTOMATIC1111 的常见图像生成流程拆成 Gradio Workflow 节点，读者可以对照 ComfyUI 评估这种节点式工作流在多模型组合和 MCP 调用上的差异。