本文提出视觉到视觉（V2V）生成范式，通过视觉规格页面而非文本提示来指导生成模型。作者开发了V2V-Zero框架，利用冻结的视觉语言模型（VLM）将视觉页面映射到生成器已有的条件空间，无需额外训练。在GenEval基准测试中，V2V-Zero达到0.85分，接近骨干网络的文本到图像性能。作者还提出了Simple-V2V Bench基准，评估七种视觉条件任务，结果显示属性绑定能力较强，但结构控制仍具

文章目录Logistic RegressionThree Steps of machine learningStep1：Function SetStep 2: Goodness of a FunctionStep 3: Find the best functionLogistic Regression + Square errorGenerative v.s. DiscriminativeMult

文章目录15.1 奇异值分解的定义与性质15.1.1 定义与定理15.1.2 紧奇异值分解与截断奇异值分解15.1.3 几何解释15.1.4 主要性质15.2 奇异值分解的计算15.3 奇异值分解与矩阵近似15.3.1 弗罗贝尼乌斯范数15.3.2 矩阵的最优近似15.3.3 矩阵的外积展开式奇异值分解(singular value decomposition, SVD)是一种矩阵因子分解方法,是

归一化层在现代神经网络中无处不在，并长期被认为是必不可少的。本研究表明，不使用归一化的Transformer可以通过一种极其简单的技术达到甚至超过标准性能。我们提出了Dynamic Tanh（DyT），这是一种逐元素的操作DyT⁡xtanh⁡αxDyTxtanhαx，可以直接替代Transformer中的归一化层。DyT的灵感来自于一个观察：Transformer中的层归一化通常会产生类似tanh

本文提出SAMA框架，通过分解式语义锚定与运动对齐解决指令引导视频编辑中的语义-运动冲突问题。SAMA采用两阶段训练策略：首先通过语义锚定建立可靠的视觉锚点，并结合运动对齐预训练学习时序动态；随后在配对编辑数据上进行监督微调。该方法在开源模型中达到最先进性能，并与商业系统竞争力相当，验证了分解式学习范式的有效性。

本文提出SpatialEdit框架，旨在解决图像细粒度空间编辑中的几何保真度问题。研究团队构建了SpatialEdit-500k合成数据集，通过Blender管线生成包含精确几何变换标注的50万张图像，涵盖物体平移/旋转/缩放和相机视角变化。基于此开发的SpatialEdit-16B模型在保持通用编辑能力的同时，显著提升了空间操控精度。新提出的SpatialEdit-Bench基准通过视点重建和构

本文提出视觉到视觉（V2V）生成范式，通过视觉规格页面而非文本提示来指导生成模型。作者开发了V2V-Zero框架，利用冻结的视觉语言模型（VLM）将视觉页面映射到生成器已有的条件空间，无需额外训练。在GenEval基准测试中，V2V-Zero达到0.85分，接近骨干网络的文本到图像性能。作者还提出了Simple-V2V Bench基准，评估七种视觉条件任务，结果显示属性绑定能力较强，但结构控制仍具

摘要 本文提出InstructX，一个基于多模态大语言模型(MLLM)引导的统一视觉编辑框架，能够同时处理图像和视频编辑任务。通过系统研究MLLM与扩散模型的整合方式，作者发现：(1)在图像数据上训练可以自然涌现视频编辑能力，缓解视频数据稀缺问题；(2)结合模态特定MLLM特征，可在单一模型中有效统一图像和视频编辑。实验表明，该方法在多种编辑任务上达到最先进性能，且无需显式视频监督即可实现零样本视

本文提出ReCo，一种面向指令式视频编辑的区域约束上下文生成方法。针对视频编辑中编辑区域定位不准和token干扰问题，ReCo创新性地引入潜在空间正则化和注意力正则化：前者通过增大编辑区域潜在差异、减小非编辑区域差异来精准定位修改；后者抑制编辑区域对源视频的注意力，减少内容干扰。方法采用视频扩散Transformer架构，将源视频与目标视频拼接进行联合去噪训练。为支持模型训练，作者构建了包含50万

本文提出FlowInOne框架，将多模态生成统一为纯视觉流的图像输入-输出范式。通过将文本、布局等输入转换为视觉提示，并使用单一流匹配模型处理，该方法消除了跨模态对齐瓶颈和任务特定架构。作者构建了VisPrompt-5M数据集（500万视觉提示对）和VP-Bench评估基准，涵盖文本生成、图像编辑和物理感知任务。实验表明，FlowInOne在指令忠实度、空间精度等方面达到SOTA性能，为全视觉中心