本文提出MVCHead，一个单次前馈状态空间模型。它仅从随机2D图像学习条件与无条件3D头部模型，无需使用多视角数据、3D监督或中间视角生成。模型核心是分层状态空间块，通过分层双向状态扫描渐进式优化高斯分布并捕捉长程依赖，以直接在3D表示中强制多视角一致性。同时，设计了一个SE(3)多视角评判器，在未观测真实多视角对的情况下，奖励跨视角像素对齐。MVCHead达到了SOTA的感知质量，超越先前方法的纹理和几何一致性。此外，文章发布了首个大规模可用3D Gaussian头部资产数据集FaceGS-10K，用于训练与评估。
Visual Concept Fusion (VCF) 是首个在推理阶段同时接受图像和文本提示、无需概念特定训练的方法。它通过将 CLIP 图像特征对齐到文本嵌入空间，实现视觉概念注入。VCF 包含一个轻量级对齐器、一种融合策略以及可选的提示噪声优化（PNO）模块。实验表明，VCF 能从参考图像转移风格、构图和调色板等视觉属性，同时遵循文本提示。定量结果显示，其文本对齐度（CLIP 分数）与视觉相似度（LPIPS）之间存在权衡，但在参考保真度上优于基线方法。
研究发现，自然图像的语义信息主要编码在方向分量中，其范数分量可由全局平均近似，表明图像数据本质上可建模于超球面。基于此，论文提出了两种几何感知方法：利用角距离的球形最优传输流匹配（SOT-CFM）与在流形上约束动力学的球形流匹配（SFM）。实验证明，这两种方法性能优于欧几里得基线，为基于黎曼流形的建模与自然图像生成之间建立了联系。
向阳乔木@vista8即梦Seedream 4.5对500位艺术家风格进行了大规模测试，采用统一提示词模板——“一个女子坐在窗边读书，一只猫趴在她腿上，窗外是花园，用{artist}的风格绘制”——以凸显不同艺术家对AI生图的独特影响。测试结果已在线上展示，部分风格极具辨识度，常见于潮流设计领域。
Berryxia.AI@berryxia一款名为Bloome的AI海报设计Agent已上线，用户可通过直接对话的方式快速生成各类海报。该工具整合了之前用于快速出图的提示词，降低了使用门槛，让非专业设计人员也能高效完成设计工作。目前该功能限时一周开放，支付1美元即可解锁约100张图的生成额度，适合市场部等有设计需求的人员使用。
兄弟们,今天我不装了。 摊牌了~ 之前一直有朋友说你这套提示词生成的海报这么好看,而且非常丝滑。 捣鼓了一套万能产品、人文、科技、展会等等 都可以快速出图的提示词。 但是,很多人还是用不来觉得麻烦。 于是我,我把它在Bloome 做了个海报...
翻译网页图像中的文本对提升内容可访问性至关重要。现有大型视觉语言模型因视觉表征差距，常忽视识别多样字符形态所需的细粒度视觉细节，导致在此任务上表现不佳。为此，本研究提出VaaWIT框架，它通过双流注意力模块实现多语义特征与视觉细节的双向交互，并利用视觉感知适配器以参数高效微调方式将融合特征注入冻结的大语言模型骨干。实验表明，该框架在三个公开基准的八个任务上显著超越了SOTA开源基线模型，性能可与闭源模型相媲美。
PixVerse@PixVerse_
Google DeepMind@GoogleDeepMind
meng shao@shao__meng在为美甲甲片打印处理图像时，作者对比了AI工具ChatGPT的Image 2与传统专业工具PhotoShop的性能。专业设计师使用PhotoShop处理单张图像需1-2分钟，而ChatGPT Image 2仅用5-8秒即可完成超分、增强等操作，速度优势显著。最终输出效果接近，尤其在饱和度和对比度等关键参数上，AI的自主判断与专业设计师反复调整的结果高度一致，凸显了AI在图像处理中的高效与潜力。
向阳乔木@vista8该插件整合了作者与姚老师长期积累的提示词库，支持一键复制或简写自动补全，可在任意网站与AI平台快速调用。同时收录了苍何整理的数百套GPT-Image-2提示词（含效果预览），并汇集全网500套覆盖开发、设计、营销等场景的常用提示词，提供搜索、导出JSON备份及共享功能。
研究团队提出一种名为 SEGA 的无训练方法，用于解决扩散 Transformer 在生成超出训练分辨率图像时性能下降的问题。该方法根据去噪过程中潜变量的空间-频谱结构，对旋转位置编码的不同频率分量进行动态、自适应的注意力缩放，从而在提升图像全局结构连贯性的同时，更好地恢复细节保真度。实验表明，SEGA 在多种目标分辨率上均能稳定提升高分辨率图像合成质量，优于当前最先进的无训练基线方法。
Antigravity 2.0 在 OpenSCAD 建筑 3D 大型语言模型基准测试中夺得第一。该模型在生成符合 OpenSCAD 语法的建筑三维代码任务上，显著优于其他参与评估的模型，标志着其在该专业领域的领先地位。
Berryxia.AI@berryxia在Bloome平台上，@berryxia 推出了一款海报设计Agent，基于万能提示词集，可快速生成适用于产品、人文、科技、展会等多种场景的海报。用户通过对话交互即可生成设计图，1美元解锁后可生成100张图，限时一周。该系统被推荐用于电梯广告等设计，操作简单，只需输入数字并微调即可产出优质效果，鼓励广大用户尝试使用。
兄弟们,今天我不装了。 摊牌了~ 之前一直有朋友说你这套提示词生成的海报这么好看,而且非常丝滑。 捣鼓了一套万能产品、人文、科技、展会等等 都可以快速出图的提示词。 但是,很多人还是用不来觉得麻烦。 于是我,我把它在Bloome 做了个海报...
表征自编码器（RAEs）使用冻结的视觉模型作为编码器，这在提供高质量生成的同时，限制了其空间重建能力。针对微调能改善重建但会损害生成质量这一权衡难题，本文提出了DecQ框架。该框架引入轻量级的“细节凝练查询”模块，从视觉模型的中间层提取细粒度信息，并将其融合到解码器和生成过程中。实验表明，仅增加8个查询和3.9%的计算量，DecQ就能将基于DINOv2的表征自编码器的峰值信噪比从19.13 dB显著提升至22.76 dB；在生成任务上，其收敛速度比原始框架快3.3倍，FID分数在无引导和有引导下分别达到1.41和1.05，有效兼顾了重建与生成性能。
Berryxia.AI@berryxia一位创作者分享了其开发的通用AI海报提示词，适用于产品、人文、科技、展会等多个领域，但因使用复杂，部分用户难以驾驭。为此，他在Bloome平台将这套方法封装成一个海报设计Agent。用户现在可通过自然对话快速生成高质量海报，无需复杂提示词操作。工具设置了1美元的付费门槛以过滤免费滥用，该费用可解锁约100次生成额度，且该优惠可能限时一周。
Berryxia.AI@berryxia兄弟们,今天我不装了。 摊牌了~ 之前一直有朋友说你这套提示词生成的海报这么好看,而且非常丝滑。 捣鼓了一套万能产品、人文、科技、展会等等 都可以快速出图的提示词。 但是,很多人还是用不来觉得麻烦。 于是我,我把它在Bloome 做了个海报...
Berryxia.AI@berryxia你可以更加细化的使用个人用下来很不错!可以去试试~
Elon Musk@elonmuskGrok Imagine Agent Mode is now available on Grok iOS app With Agent Mode, you can generate: • Consistent characters acro...
美团技术团队正式开源 LongCat-Video-Avatar 1.5，该版本从高拟真走向真可用，将视频头像生成从室内彩排演练推向千人千面的真实应用场景。
歸藏(guizang.ai)@op7418Codex 昨晚发布史诗级更新,体验爆炸提升! 其中快捷截图添加上下文和内置浏览器高级注释的功能太有用了。 你只需要同时按住左边和右边的 Command 键,它就会把你当前鼠标所在位置的窗口全部截下来,然后自动填入到 Codex 的输入框里...
Berryxia.AI@berryxiaChatGPT现已能在Microsoft PowerPoint中直接创建、编辑和优化演示文稿，无需切换应用或导出静态文件，保持全程可编辑。该功能可理解现有幻灯片内容，实现从生成到润色的全流程协助，并支持内置图片生成。此举旨在解决用户制作PPT时的痛点，更贴合国内使用习惯。目前该功能处于Beta测试阶段，官方正征集用户反馈。
Have you ever thought to yourself: I really don't want to make this PowerPoint. Good news: ChatGPT can now create and ed...
本研究探讨预训练表示空间在流匹配学习中的优势。比较像素、SD-VAE与DINOv2特征后发现，尽管像素与DINOv2的内在维度相近，但DINOv2在几何统计特性（如有效秩、协方差条件等）上表现更优，使回归过程更稳定。基于此，我们提出了表示图像变换器（RiT），它使用冻结的DINOv2特征，通过x-prediction目标训练一个原生扩散变换器。在ImageNet 256×256生成任务上，RiT性能优于参数量更多的DiT^DH-XL模型，且生成的常微分方程仅需少量步骤即可高效求解。
Berryxia.AI@berryxiaDetect road signs and pedestrian symbols with Ultralytics YOLO26! 🚸 Identify traffic signs and walking signals in real ...
图像超分辨率（SR）中的生成先验常因频谱失配而牺牲保真度。本文提出ASASR框架，通过“着色”噪声转换核以匹配自然图像频谱衰减，将生成流重构为Sobolev诱导的黎曼几何，从而解决这一问题。其核心在于集成一个基于Riesz表示定理的参数化对抗器，该对抗器生成等价于最差Sobolev梯度的负样本，沿可行结构失败的切线空间引导优化。评估表明，ASASR在保持频谱一致性与结构保真度方面优于现有生成方法，能有效缓解伪影。
PhotoFlow是一个用于闭环相机搜索的Director-Reviewer-Reflector智能体系统，能在预制3D场景中自主推断合适的摄影角度并生成最终图像。该系统包含VPhotoBench基准测试，涵盖47个Blender场景和141个基于语言的摄影任务。实验表明，在六轮渲染预算的设置下，PhotoFlow在多种基线方法中取得了最强的外部质量对齐表现和成功率。这是首个将基于语言的虚拟摄影转化为可执行智能体任务的工作，展示了以LLM为核心的智能体在同时涉及3D推理与美学判断的设置中，已能生成高质量摄影作品。
PiD是一种将潜在解码重构为条件像素扩散的解码器，统一了图像解码与上采样。它通过直接在高分辨率像素空间进行去噪，支持4倍及8倍上采样，并具有低延迟。模型采用轻量级sigma-aware适配器注入噪声潜在变量，允许提前终止潜在扩散过程；并利用DMD2进行蒸馏，将推理步骤压缩至4步。PiD兼容传统VAE潜在变量与语义潜在变量。在RTX 5090上，可将512x512潜在变量解码为2048x2048像素，耗时低于1秒，峰值内存13GB；在GB200 GPU上最快仅需210毫秒。
Saining Xie@sainingxieIn Oct last year, Representation Autoencoders provided an elegant solution to unified tokenization for understanding and...
ViggleAI@ViggleAI
Runway@runwayml
Krea@krea_aiwe're hosting our first Community Spaces tomorrow! join us through X Spaces to chat about updates coming to Krea 2, shar...
Berryxia.AI@berryxia团队小伙伴受到 Zara 的启发,闲暇时间搞了一个 Magic Slide 项目(终于发了,其实早就搞出来了),解决了日常 Slide 产出问题,欢迎大家一起体验,转场和效果非常丝滑!联网和部分模型使用我们自己的网关 PIPELLM 完成,...
美团LongCat团队发布了LongCat-Video-Avatar-1.5，一个专注于音频驱动数字人视频生成的开源框架。其核心升级在于采用Whisper-Large音频编码器，显著优化了唇部动态的流畅度与自然度。该版本实现了精准的唇形同步、全身时序稳定性以及长视频中的身份一致性，并能泛化应用于动漫、动物及多人交互等复杂场景。通过基于DMD2的步蒸馏技术，模型仅需8步即可高效推理。团队还构建了一个涵盖多场景、多语言的人工评估基准，通过大规模主观评分与专家分析，验证了其在多项关键维度上的优异性能。
关联讨论 1 条IT之家（RSS）Krea@krea_ai
Alibaba Cloud@alibaba_cloud2026年6月，摩纳哥将举办首届AI电影节，标志着人工智能与电影叙事的深度融合。阿里云作为合作方，强调其云与AI基础设施（从基础模型训练到大规模实时渲染）致力于赋能创作者，为电影人、艺术家提供实验与实现大胆创意的工具，共同探索由AI技术驱动的电影制作新范式。
