港中文MMLab团队发布了首个基于强化学习的文生图模型T2I-R1，采用双层级CoT推理框架，提升了图像生成的准确性和质量，增强了文本与图像的理解。该模型在多个基准测试中表现优异，显示出推理在图像生成中的有效性，未来有望应用于视频生成等领域。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究提出了Science-T2I数据集，解决了图像合成中科学知识整合不足的问题。研发的SciScore模型显著提升了生成图像的科学性和视觉效果，评估性能接近人类水平，推动了图像合成标准的建立。

本研究提出了一种新的保留度量和有效的遗忘算法，以解决文本到图像扩散模型在遗忘特定训练数据时对模型完整性的影响，优于现有方法。

近年来，文本到图像（T2I）模型取得显著进展，但也带来了滥用风险。MMA-Diffusion框架能够有效绕过现有防御，揭示其弱点，构成安全威胁。

Text-to-image generative models have become a prominent and powerful tool that excels at generating high-resolution realistic images. However, guiding the generative process of these models to...

我们提出了一个新的任务和基准，用于评估文本到图像生成模型在现实生活中产生符合常识的图像的能力。我们评估模型是否能进行视觉常识推理，即生成与文本提示相符的图像。我们发现图像合成与真实生活照片之间仍存在差距。我们的目标是将此作为常识检查的高质量评估基准，促进实际生活图像生成的进展。

该研究提出了一种无需 LoRA 的方法，用于风格化图像生成。通过使用文本提示和风格参考图像作为输入，以单次传递生成输出图像。作者提出了 StyleAdapter，该模型由双路径交叉注意力模块（TPCA）和三个解耦策略组成，能够处理提示和风格参考特征，并减少语义和风格信息之间的强耦合。实验证明了该方法的优越性。

研究了现代文本到图像 (T2I) 扩散模型，分析了超参数和图像修改的可辨认性，调查了图像归属所依赖的视觉痕迹。发现伪造图像在各个层面上都是可检测且可归属的。

最近的研究发现，个性化文本到图像（T2I）扩散模型在生成高保真度图像方面存在困难。研究人员提出了一种名为ComFusion的新方法，能够将视觉主题实例与文本特定场景融合，生成高保真度的实例。ComFusion使用预训练模型和场景特定知识来提高生成的保真度，并确保图像与实例和场景文本对齐。对T2I个性化中的各种基线进行了评估，证明了ComFusion的优越性。

该文章介绍了大规模文本-图像扩散模型的突破性发展，可以生成令人信服的图像，并让用户具有控制能力。该技术应用前景广阔。

本研究通过与DALLE3集成的T2I模型ChatGPT重新审视现有的T2I系统，并引入新的任务——交互式文本到图像（iT2I）。我们提出了一种简单的方法来增强LLMs在iT2I上的能力，并在不同的LLMs下在多种常见场景中评估了我们的方法。

本研究通过与DALLE3集成的T2I模型ChatGPT重新审视现有的T2I系统，并引入新的任务——交互式文本到图像（iT2I）。我们提出了一种简单的方法来增强LLMs在iT2I上的能力，并在不同的LLMs下在多种常见场景中评估了我们的方法。

该研究提出了一种低成本的自然多概念文本到图像生成解决方案，通过微调预训练文本到图像扩散模型中的文本嵌入，应用交叉令牌非极大值抑制来避免不同概念之间的特征混合，优于以前的方法。