AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：图像生成×
5月28日
08:59
08:59marktechpost@Asif Razzaq
精选
Sakana AI 提出 DiffusionBlocks 框架，将残差网络中的每一层更新解释为逆向扩散去噪步骤，从而将网络分解为多个独立可训练的块。这种方法允许每个块单独训练，无需端到端反向传播，降低了训练复杂度和内存需求。实验表明，DiffusionBlocks 在图像生成任务上达到与标准残差网络相当的性能，同时训练效率更高。该工作为扩散模型与残差网络的结合提供了新思路，有望推动大规模模型的分布式训练。
论文扩散模型残差网络块式训练Sakana AI图像生成
推荐理由：Sakana AI 这个框架解决了残差网络训练中梯度回传的瓶颈，做大规模生成模型或分布式训练的团队值得关注——它让每个模块可以独立优化，直接降低显存和通信开销。
原文
5月27日
14:14
14:05
14:05IT之家（博客/媒体）
PrismML 发布 Bonsai Image 4B 系列图像生成模型，包含 1-bit 和 Ternary 两个版本，专为本地设备优化。该模型基于 LUX.2 Klein 4B 构建，通过二值/三值权重大幅压缩体积，1-bit 版 Transformer 仅 0.93GB，内存占用降至 1.5GB。在 iPhone 17 Pro Max 上生成 512×512 图像仅需 9.4 秒，Mac M4 Pro 上约 6 秒，速度比全精度模型快 5.6 倍。质量方面，Ternary 版在 1.21GB 体积下保留约 95% 的准确性，1-bit 版在不足 1GB 下保留约 88%。这标志着高质量图像生成模型首次在手机上实现实时可用。
AI模型图像生成模型压缩本地部署Bonsai Image 4BiPhone
推荐理由：手机端终于能跑正经的图像生成模型了，做移动端 AI 应用或创意工具的开发者可以直接在 iPhone 上体验，9.4 秒出图的速度已经可用。
原文
13:50
13:50IT之家（博客/媒体）
精选72°
英伟达团队发布 PiD（像素扩散解码器）图像生成技术，将潜在解码与上采样合并为一个生成模块，在消费级 RTX 5090 上仅需 13GB 显存、不到 1 秒即可将 512×512 潜变量解码放大至 2048×2048 像素。PiD 基于 PixelDiT 构建，加入轻量级 ControlNet 适配器，并通过 DMD2 蒸馏将推理步数压缩至 4 步，配合早停机制兼顾速度与质量。相比级联式扩散超分方案，端到端延迟最多快 5.9 倍，视觉保真度更优。该技术兼容传统 VAE 和语义潜变量（如 SigLIP、DINOv2），具备较强通用性。
AI模型英伟达PiD图像生成像素扩散解码器高分辨率解码
推荐理由：英伟达 PiD 解决了高分辨率图像生成中解码器速度慢、显存占用高的痛点，做 AI 图像生成或超分应用的开发者可以直接在消费级显卡上跑通，值得关注。
原文
11:18
07:22
5月26日
16:10
11:45
11:45arXiv cs.AI@Wei Song, Tianhang Wang, Yitong Chen, Tong Zhang, Zuxuan Wu, Ming Li, Jiaqi Wang, Kaicheng Yu
精选
本文提出通道级向量量化（CVQ），一种全新的图像标记化范式，将传统基于空间分块的标记方式改为对特征图每个通道进行量化。基于CVQ，作者构建了通道级自回归（CAR）模型，采用“下一通道预测”策略，模拟人类艺术家先画轮廓再细化细节的创作流程。实验表明，CVQ在16K+码本大小下实现100%码本利用率，显著提升重建质量；CAR在DPG和GenEval指标上分别达到86.7和0.79，在文本到图像生成任务中表现强劲。这一工作为视觉自回归模型提供了新思路，有望推动图像生成效率与质量的双重提升。
论文图像生成向量量化自回归模型文本到图像视觉细节
推荐理由：CVQ解决了传统VQ码本利用率低、细节丢失的痛点，做图像生成和视觉自回归研究的开发者值得关注——它让模型像人类一样先画轮廓再细化，生成质量更高。
原文
11:44
11:44arXiv cs.AI@Shuhong Zheng, Aashish Kumar Misraa, Yu-Teng Li, Yu-Jhe Li, Igor Gilitschenski
主体驱动图像生成旨在根据文本指令生成保留给定主体身份的新图像。现有方法通常分别编码文本和参考图像，限制了跨模态推理能力并导致复制粘贴伪影。本文提出了一种新框架，通过将扩散模型与多模态大语言模型（MLLM）结合，并引入基于VAE的身份条件，实现了文本指令与身份保留的平衡。其中，双层级聚合（DLA）模块用于融合MLLM的多层特征，多阶段去噪策略在推理时逐步平衡语义信息与细节身份。实验表明，该方法在主体驱动图像生成中优于现有方法，有效缓解了复制粘贴问题，并更符合人类偏好。
论文多模态大语言模型主体驱动生成扩散模型身份保留图像生成
推荐理由：做图像生成或AI绘画的开发者，这篇论文解决了主体身份保留与文本指令跟随的长期矛盾，提出的DLA模块和多阶段去噪策略可以直接参考，值得点开看看具体实现。
原文
5月25日
17:54
17:45
17:45IT之家（博客/媒体）
据彭博社记者马克·古尔曼报道，苹果计划在 iOS 27 系统中大幅提升其图像生成模型（用于 Genmoji 和 Image Playground）的画质。目前这些模型的成像效果平平，尤其是 Image Playground 与同类工具差距明显。苹果已优化自有模型，今年画质将显著改善，但不确定是否仍完全依赖设备本地运行。此外，Image Playground 将接入更多第三方 AI 图像生成模型，如谷歌的 Nano Banana 等，不再仅限 ChatGPT。这一升级有望缩小苹果与竞品在 AI 图像生成领域的差距。
AI产品苹果iOS 27图像生成GenmojiImage Playground
推荐理由：苹果终于要解决 AI 图像生成画质拉胯的问题了，用 iPhone 做创意设计的用户今年可以期待 Genmoji 和 Image Playground 的质变，建议关注 iOS 27 的更新细节。
原文
5月23日
09:25
09:23
5月21日
10:48
08:01
08:01Andrew Ng@AndrewYNg
Andrew Ng 宣布与 Google Cloud 合作推出新课程，教授如何构建能生成图像和视频的 AI 智能体。课程重点在于让智能体自我评估输出并迭代改进质量，涵盖三种评估技术：图像-文本相似度评分、LLM 裁判按品牌一致性等自定义标准评分、以及结构化评分表。学员将学习图像和视频提示工程，构建将品牌指南转化为 UI 模型的图像智能体，以及规划多场景解说视频并同步音频的视频智能体。该课程面向希望探索 AI 智能体在视觉内容生成领域应用的开发者。
AI产品智能体图像生成视频生成评估技术Google Cloud
推荐理由：Andrew Ng 的课程一向实用，这次聚焦图像/视频生成智能体这个少有人深入的方向，做多模态或内容生成的开发者可以直接学起来，掌握让智能体自我迭代的关键技巧。
原文
07:59
07:59
07:59
00:14
00:14rohanpaul_ai@rohanpaul_ai
76°
中国 AI 实验室商汤开源了 SenseNova U1，这是一个统一的多模态模型，能在单一模型中理解、推理并生成图像和文本。其架构去除了传统的视觉编码器和变分自编码器，在共享表示空间中处理图像和语言，减少了模块间切换和信息损失，提升了生成一致性。该模型在生成信息图、指南、海报、漫画等密集视觉内容时表现出色，据客户基准测试，生成信息图的速度约为 Qwen-Image-2.0 / Seedream-4.5 的两倍，且质量相当。
AI模型商汤SenseNova U1多模态模型开源/仓库图像生成
推荐理由：商汤的架构创新解决了多模态模型常见的模块间信息丢失问题，做视觉内容生成或信息图设计的团队可以直接用这个开源模型，生成效率翻倍值得一试。
原文
5月19日
12:10
02:19
02:19rohanpaul_ai@rohanpaul_ai
76°
HiDream 开源了 8B 参数的图像模型 HiDream-O1-Image，声称性能与 27B 的 Qwen-Image 等更大模型持平。该模型采用像素级统一 Transformer，无需 VAE 和文本编码器，直接在原始像素上端到端处理。它支持文生图、长文本渲染、指令编辑、主体个性化及故事板生成等多种任务。内置推理驱动的提示代理，能先理解用户意图再生成，在长文本渲染基准上接近 200B+ 模型的表现。这暗示传统扩散管线可能不再是唯一的主流路径。
AI模型HiDreamHiDream-O1-Image图像生成Transformer开源/仓库
推荐理由：HiDream 用 8B 参数挑战了传统扩散架构的统治地位，做图像生成或研究的开发者值得关注——它可能改变你对模型效率与架构的认知。
原文
5月18日
20:06
12:06
12:05
12:05
5月16日
20:04
20:04OpenRouter@OpenRouterAI
Recraft AI 在 OpenRouter 上发布了 V4.1 系列六款新图像生成模型，包括主打高美学的 V4.1 和 V4.1 Pro、专为 SVG 插画设计的 V4.1 Vector 和 V4.1 Pro Vector，以及面向产品图像的 V4.1 Utility 和 V4.1 Utility Pro。新模型在照片真实感、渐变平滑度和短提示命中率上均有显著提升，用户无需过多提示工程即可获得高质量结果。这一更新为设计师和开发者提供了更多专业选择，可直接通过 OpenRouter API 调用。
AI产品图像生成RecraftOpenRouterSVG产品设计
推荐理由：Recraft V4.1 系列覆盖了从高美学到矢量插画、产品图等多个细分场景，做设计或 AI 应用的团队可以直接在 OpenRouter 上试用，短提示效果提升明显，值得一试。
原文
19:31
19:03
5月14日
14:51
13:36
5月12日
21:55
17:19
00:01
5月11日
22:18
22:17
22:17
22:17
22:16
22:16
11:43
11:43arXiv cs.LG（学术论文）
STARFlow2提出了一种基于自回归归一化流（TarFlow）的统一多模态生成框架，用于处理交错的文本-图像序列。它通过在Pretzel架构中垂直交错预训练VLM流和TarFlow流，并采用深度-浅层流设计和统一的FAE潜空间，实现了文本和视觉输出的缓存友好型生成。实验表明，STARFlow2在图像生成和多模态理解基准上表现强劲，证明了自回归流可以替代扩散模型作为统一多模态建模的基础。这项工作解决了因果文本生成和迭代视觉去噪之间的结构不匹配问题，为更自然的统一生成提供了新范式。
论文多模态自回归流图像生成统一模型文本-图像
推荐理由：STARFlow2展示了自回归归一化流在多模态统一生成中的潜力，为替代基于扩散的图像生成方法提供了新思路，对多模态模型的设计和效率优化有参考价值。
原文