跳到正文
日期与来源

日期按北京时间的资讯列表日期计算,包含起止当天。

10月20日周二
  1. Hugging Face Daily Papers32

    WorldStream:用分层规划与持久状态流式生成可交互 3D 世界

    WorldStream 是一个开放式 3D 世界模型,可把可玩地形扩展到预设地图之外、响应运行中世界里的开放式语言指令,并在重返旧地时还原此前的编辑。它用分层规划器输出结构化决策状态:Macro 固定一组瓦片的地貌与水文结构,Micro 将其细化为瓦片语义,再由确定性本地代码编译成地形、道路、聚落、植被与实体。单一世界记录保存规划、种子、对象身份、可变状态与编辑,支撑有界预算下的持续扩展与交互。

10月19日周一
  1. Hugging Face Daily Papers36

    PhysSkin++:基于自监督神经蒙皮的实时通用物理动画框架

    PhysSkin++ 提出一种物理信息框架,从静态几何中学习连续神经蒙皮场,构建紧凑形变子空间,无需逐物体训练网络即可跨形状泛化。其神经蒙皮场自编码器配合物理信息自监督学习策略,在无仿真轨迹条件下稳定联合优化,支持网格、点云与 3D Gaussians 的直接动画绑定及实时降维仿真。实验验证了跨形状泛化、实时仿真与可控碰撞感知动画等应用。

  2. Hugging Face Daily Papers24

    SEAM:面向低资源 TTS 的频谱嵌入对齐与合并方法

    SEAM 是一种零音频初始化方法,用已知子词为未见 token 构建嵌入,通过频谱滤波保留时序音素顺序,并用闭式岭回归将新嵌入对齐到预训练条件流形。在三种语言和两种 TTS 架构上,SEAM 用最多少 4 倍的训练数据即可接近或匹配基线,相比随机初始化和均值池化将样本复杂度降低 75%。该工作已被 EMNLP 2026 Findings 接收。

10月18日周日
  1. 娱乐资本论 · 搜狐公开专栏45

    《解放西》背后的中广天择,新业务是给AI大模型供训练数据?

    中广天择数智中心正以6个机位同步拍摄、两个月产出万小时级4D连续多视角视频数据集,客户为国内头部模型厂商、通讯运营商和电商,半年报中已出现电信与阶跃星辰。业务主打自采自标、安全合规、开箱即用,并自研多视角标定与声学数据集,定制化项目占比高、交付验收合格后才付款。

  2. Hugging Face Daily Papers34

    Painting Change Map:用时空变化图引导绘画过程视频生成

    研究者提出 Painting Change Map,一种显式追踪 1000 个时间步内归一化结构变化的时空控制机制,可同时引导正向绘画与反向"卸画"过程。该方法将局部视觉差异编码进 RGB 空间,实现笔画级细粒度控制,在基准测试中优于现有控制基线,并在 oracle 条件下显著超越所有基线。代码已开源。

10月17日周六
  1. Hugging Face Daily Papers31

    HumanSkill-4D:免训练语言查询可动画高斯化身,支持空间与时间定位

    HumanSkill-4D 提出免训练框架,用共享的多模态大语言模型和几何算子,从语言查询中选出可动画高斯化身的局部区域,并可指定姿态或动作匹配时间段。方法通过语义记忆将身体部位与服装类别绑定到持久高斯区域,并用运动记忆中的驱动关节轨迹组合算子程序,使选择可追溯。团队构建三个真人标注 benchmark,其在部位分割及 3D、4D 指代分割上优于基线,每个化身仅需数分钟设置。

  2. Hugging Face Daily Papers38

    UniAVC:通过渐进训练与非对称调度实现统一音视频创作

    UniAVC 用单一模型权重实现文本条件联合生成、双向跨模态生成与指令引导编辑,无需任务专用适配器。它先在单模态数据上训练各分支至完整生成与编辑能力,再把配对数据用于跨模态对应关系;模态解耦调度器从共享时间步独立变换噪声调度,并以单模态干净样本直接监督非对称配置。由此支持意图感知编辑与推理后自优化,仅重生成不满意的一侧。

  3. 我爱计算机视觉 · 公开公众号 RSS38

    腾讯光子 x NUS 发布 Orbia 视频世界模型评测基准

    腾讯光子与 NUS 提出 Orbia 视频世界模型评测基准,用 720 个探索与回访案例测试 27 个模型,检查已知场景保留、新生成内容持久性与跨视角 3D 一致性。SolarWM-H3 以 76.32 居综合第一,Lyra2、EVOKE 分列二三位;长视频生成内容持久性普遍低于短视频,世界模型组前进后退轨迹平均分从 66.21 降至 40.96。

10月16日周五
  1. Hugging Face Daily Papers17

    Gen4P:视频生成器就是 4D 感知器

    Gen4P 提出一个统一框架,可将预训练视频生成器改造成前馈式 4D 感知器,无需迭代去噪,单次编码器前向即可处理干净视频 latent 并预测所需 4D 属性。其按需查询支持灵活空间采样,连续时间查询提供时间灵活性,并可将预训练 video-depth LoRA 作为冻结几何先验即插即用。Gen4P 在 3D 点跟踪、视频深度和相机位姿估计任务上达到 SOTA 或具竞争力表现。

  2. Hugging Face Daily Papers24

    SUPRA-Tex:基于超对齐纹理的3D生成

    SUPRA-Tex 提出一种单图3D生成方法,通过解耦可见材质估计、表面对齐与观测引导的3D补全,实现与参考图的超对齐。该方法先用基于 MLLM 的图像编辑模型预测参考视角下光照分离的 PBR 贴图,再投影到可见表面并编码为原生观测隐变量,由交错流 Transformer 固定为只读锚点生成完整材质隐变量。

  3. Hugging Face Daily Papers17

    EVA-Cap:通过事件中心对齐优化音视频视频描述

    EVA-Cap 框架将音视频描述拆解为原子级音视频事件,把非结构化文本监督转为事件中心对齐,通过 SFT 和 GRPO 在自建数据集 EVA-Data 上训练,GRPO 阶段围绕全局事件完整性、事件内归因和事件间同步三个目标优化。在 ChronusAV 的事件中心评测上平均提升 9.0%,在 WorldSense 上提升 3.3%,论文已被 NeurIPS 2026 接收,代码将开源。

  4. Hugging Face Daily Papers18

    SCOPE:面向文生图提示工程的语义边界信用优化

    SCOPE 是一种基于 GRPO 的强化学习目标,让提示词改写模型在生成增强提示的同时输出语义分区,并按语义跨度池化策略对数概率变化,为跨度内 token 共享损失系数。在 Qwen-Image、SD3 和 FLUX.1-dev 上,SCOPE 相对原始 GRPO 在 GeneVal 平均提升 9.48%、在 T2I-CompBench 提升 7.62%,且无需额外跨度奖励或图像渲染。

  5. Hugging Face Daily Papers23

    Velox:用空间记忆让世界模型更高效

    Velox 是一种免训练的注意力路由器,利用流式几何中的视锥板块对应关系做区域级上下文选择,解决分块视频扩散模型 KV 缓存随 rollout 增长而变慢的问题。在第 48 个分块时,Velox 将注意力加速 4.36 倍、去噪加速 2.43 倍,并在全部 158 个案例的 WBench 导航测试集上,与稠密 LingBot-Fast-Cam 的平均分差保持在 0.15 以内。

  6. Hugging Face Daily Papers24

    RPO:面向在线扩散强化学习的路由策略优化

    针对扩散模型强化学习中扰动反向去噪轨迹导致 rollout 优化成本高的问题,RPO 将注意力路由变为随机探索动作,在若干去噪层级按原生注意力权重采样 key block,并用双 rollout 估计器提供优势信号。在文生图与文生视频任务上,RPO 提升生成质量的同时训练效率较 Flow-GRPO 类方法提升近 4 倍,推理时恢复稠密注意力并保留原始确定性采样器。

  7. Hugging Face Daily Papers22

    Speculative Forcing:高效自回归视频生成的投机式强制框架

    Speculative Forcing 将自回归视频生成中的中间干净估计当作草稿,预测哪些 token 可提前接受并冻结为最终输出,从而跳过后续去噪步骤。在 LongLive 上它以约 1.7 步去噪达到四步生成器质量,速度提升超 1.5 倍,达 41.7 和 37.8 fps;在 Lingbot-World 2.0 上以约 2.5 步维持质量,提速 1.35 倍,达 24.5 fps。

  8. Hugging Face Daily Papers37

    MOSS-Image 技术报告:5B 开源 DiT 实现长文本渲染与布局控制

    MOSS-Image 是一个开源图像生成系统,从零预训练 5B 单流扩散 transformer(DiT),支持中英双语长文本渲染与精确布局控制,并配备意图感知的智能体提示增强模块。在长文本渲染基准 LongLongTextBench 上,其平均文本覆盖率达 96.3%,居开源权重模型首位;在 RealLayoutArena 端到端系统对比中排名第二。团队将开源模型、训练配方与评测框架。

10月15日周四
  1. Reddit StableDiffusion · 创作者与工作流分享28

    AReA:面向 Flux1/2、Qwen-Image、Ideogram 4 等 DiT 的高效高分辨率自适应感受野注意力

    AReA 是一种免训练注意力机制,让感受野随去噪过程从粗到细演化:早期对下采样后的 key/value 做跨尺度粗注意力以捕捉全局结构,后期在逐步收缩的窗口内做局部注意力以精修细节。实验显示其在各目标分辨率与不同模型上均优于现有免训练基线,且速度更快、效率更高。目前仅开源 flux1-krea-dev 代码,Qwen-Image、Ideogram 4 与 Flux2 支持"即将推出"。

  2. Hugging Face Daily Papers42

    ACEdit:用非对称条件实现稳定的多轮图像编辑

    ACEdit 提出一种训练方案,让图像编辑模型在多轮连续编辑中保持稳定。其核心是把 Self-Forcing 引入图像编辑,训练时强制编辑器处理自己上一轮的输出,并用教师编辑器提供蒸馏信号;教师始终锚定原始干净图像并接收复合编辑指令,形成非对称条件。实验显示长多轮序列中的质量退化明显减少,同时保持编辑质量与指令遵循度。