CVPR 2025 如何稳定且高效地生成个性化的多人图像？ID-Patch带来新解法
本文提出ID-Patch方案，用于解决多人图像生成中的身份特征泄露问题。通过ID Patch将身份特征转化为小尺寸RGB图像块，精确指定每个人的位置，并与文本提示共同输入增强人物面部真实性。实验结果显示其在身份还原和位置匹配上表现优秀，且生成效率快。
扩散模型
Aether：上海 AI Lab 开源的生成式世界模型，探索三维时空建模与智能决策新境界
上海 AI Lab 开源的 Aether 项目通过三维时空建模和多模态融合技术，实现了生成式世界模型在虚拟数据上的出色表现，并具备对真实世界的零样本泛化能力。
质量无损，算力砍半！达摩院开源视觉生成新架构，出道即SOTA｜ICLR 2025
达摩院在ICLR 2025提出了动态架构DyDiT，通过智能资源分配将DiT模型的推理算力削减51%，生成速度提升1.73倍，FID指标几乎无损，并且仅需3%的微调成本。
文本提示、空间映射？任意条件组合都拿下！UniCombine：统一的多条件组合式生成框架
UniCombine 是一种基于 DiT 的多条件可控生成框架，能够处理任意条件组合。它在多种多条件生成任务上达到了最先进的性能，并且构建了首个针对多条件组合式生成任务设计的数据集 SubjectSpatial200K。
AI音频最新发展：Anything万物生成音频
香港科技大学开发的 AudioX 机器学习模型能够根据用户的个性化输入生成独一无二的音频和音乐作品，包括文本、视频、图像等多模态数据，具有强大的跨模态学习能力，并能处理复杂的音频生成任务如音乐补全、修复等。
物理视频真实生成！大连理工&莫纳什大学团队提出物理合理的视频生成框架
近日，大连理工大学与莫纳什大学的研究团队提出VLIPP框架，通过引入物理规律提升视频生成的物理真实性。论文指出视频扩散模型在物理场景下表现不佳的原因，并提出两阶段方法，利用视觉语言模型预测运动路径，再用细粒度的视频扩散模型生成符合物理规则的视频。
CVPR 2025｜腾讯优图实验室22篇论文入选，含深度伪造检测、自回归视觉生成、多模态大语言模型等研究方向
录用结果揭晓，腾讯优图实验室共有22篇论文入选，内容涵盖深度伪造检测、自回归视觉生成、多模态大语言模
文本到动作生成最强模型出炉！动作可精确编辑，北大AI团队CVPR 2025新论文
北京大学的研究人员提出了一种名为MotionReFit的新模型，它可以根据用户的文本指令生成逼真的人体动作。该模型通过引入MotionCutMix数据增强技术及带有动作协调器的自回归扩散模型来实现这一目标，支持空间和时间上的动作编辑，无需特定的身体部位规范。
U-Net和ViT凑一块，会发生什么？U-REPA：精准对齐Diffusion U-Net与ViT特征空间，训练提速42%
U-Net 架构对齐到 ViT（Vision Transformer）特征空间
的新方法
U-REP
Meta&谢赛宁版GPT-4o：通过MetaQueries实现统一多模态模型！
统一多模态模型的目标是整合深度理解与丰富的生成能力，MetaQueries采用‘token → [transformer] → [diffusion] → pixels’范式，通过可学习查询和冻结MLLM在保持性能的同时实现图像生成。