AIGC 每日速读|2026-03-27|ScrollScape|OmniWeaving

AIGC 视觉生成领域 · 每日论文解读 (2026-03-27)

人工智能炼丹师 整理 | 共 10 篇论文 | 重点深度解读 1 篇

今日核心看点

1. 32K超高分辨率图像生成 ScrollScape
2. 统一视频生成 OmniWeaving
3. 扩散加速 HetCache CVPR2026

今日概览

今日 arXiv cs.CV 视觉生成相关论文共 10 篇，重点解读 1 篇。

方向分布：

• 图片生成与编辑: 4篇 (ScrollScape, DepthArb, HAM, GenMask)
• 视频生成与编辑: 3篇 (OmniWeaving, HetCache, Anti-I2V)
• 音频生成: 1篇 (ArrayDPS-Refine)
• 生成安全与检测: 1篇 (HAVIC)
• 交互运动生成: 1篇 (ViHOI)

含2篇CVPR 2026 (HetCache, HAM)

重点论文深度解读

1. ScrollScape

用视频扩散先验解锁32K超高分辨率图像生成 | Harbin Institute of Technology, Li Auto | arXiv:2603.24270

关键词： 32K图像生成, 视频扩散先验, 极端纵横比, 超分辨率

研究动机

核心问题： 极端纵横比下的超高分辨率图像生成面临物体重复和空间碎片化问题

当前扩散模型在生成常规尺寸图像时表现出色，但在极端纵横比（如8:1）的超高分辨率图像合成中，往往出现灾难性的结构失败——物体重复和空间碎片化。这根本原因在于静态文生图模型缺乏鲁棒的空间先验。ScrollScape 提出了一个全新范式：将超大画布的空间扩展映射到视频帧的时序演变，利用视频模型的时序一致性作为强大的全局约束。

前序工作及局限：

• MultiDiffusion：通过联合扩散过程实现全景图生成，但受限于局部一致性
• SyncDiffusion：同步多个扩散过程减少接缝，但仍有结构冗余
• DyPE：动态位置编码扩展生成尺寸，但在极端比例下效果有限
• Wan2.1：视频扩散模型，具有强大的时序一致性先验，但未被用于静态图像生成

与前序工作的本质区别： ScrollScape首次将空间扩展问题转化为视频时序问题，利用视频模型天然的时序一致性替代人工设计的空间融合策略。不同于MultiDiffusion等平铺融合方法，ScrollScape的全局坐标系统通过ScanPE实现端到端的结构约束。

方法原理

ScrollScape 框架包含三个核心创新：
1）扫描位置编码（ScanPE）：将全局空间坐标分布到各帧，充当灵活的移动相机，支持线性和蛇形扫描模式
2）滚动超分辨率（ScrollSR）：在潜在空间利用视频超分辨率扩散先验逐帧增强细节，绕过内存瓶颈
3）轨迹锚定分区（TAP）：确保3D VAE解码器的解码状态与坐标系统对齐，消除帧间闪烁和边界伪影
4）中值共识选择（MCS）+加权融合：从每个时间块选择最具代表性的帧，通过距离权重融合生成无缝全景图

核心创新

• 首次将极端纵横比图像合成重新表述为连续视频生成过程
• 提出ScanPE扫描位置编码将空间扩展映射为时序演变
• 设计ScrollSR在潜在空间实现32K分辨率输出
• 引入TAP轨迹锚定分区消除3D VAE解码伪影

实验结果

• 在8:1纵横比评估中，ScrollScape 在所有指标上均优于基线：FID 214.7（最优）、CLIP 30.0（最优）、KID 2.0（最优）。用户研究中92%的评估员认为ScrollScape的结构连贯性优于DyPE，89%认为内容丰富度更好。消融实验证实ScanPE、TAP、ScrollSR每个组件都不可或缺。仅需3000张图像微调即可实现从传统卷轴到照片级全景的32K输出。

图表详解

Fig.1 ScrollScape 32K生成效果展示

这是 ScrollScape 的核心效果展示图。上方展示了一张极高纵横比（8:1）的32K分辨率全景图生成结果，下方红色方框放大展示了局部细节的精细程度。可以看到，ScrollScape 生成的全景图在整体结构上保持了高度一致性，没有出现传统方法常见的物体重复或空间碎片化问题。局部放大区域显示了建筑、植被等元素的高保真细节，证明了 ScrollSR 超分辨率模块的有效性。

Fig.3 水平8:1全景定性对比

这张定性对比图展示了不同方法在水平 8:1 极端纵横比下的全景生成效果。可以看到，MultiDiffusion 和 SyncDiffusion 等传统平铺融合方法出现了明显的物体重复和拼接伪影。DyPE 虽然有所改善，但在结构连贯性上仍然不足。ScrollScape 的结果在整体布局、细节丰富度和结构一致性上全面领先，特别是在远景到近景的过渡和物体多样性方面表现突出。

Fig.4 垂直1:8卷轴定性对比

这张图展示了垂直方向 1:8 纵横比的卷轴式生成效果对比。ScrollScape 的蛇形扫描模式在垂直卷轴场景中同样表现优异，生成的中国山水画风格长卷图在从上到下的空间延展中保持了连贯的构图和自然的过渡，而基线方法则出现了结构断裂。

Fig.5 8K高保真生成效果

这张图展示了 ScrollScape 在 8K 分辨率下的高保真生成细节。通过多处放大区域可以看到，建筑细节、植被纹理、云层渲染等都保持了极高的清晰度和真实感，证明了 ScrollSR 超分模块在从潜在空间恢复高频细节方面的出色能力。

Fig.6 ScanPE消融实验定性对比

这是 ScanPE 扫描位置编码的消融实验对比图。对比了无 ScanPE、仅使用基础位置编码、以及完整 ScanPE 三种配置。可以明显看到，没有 ScanPE 时模型无法感知全局空间位置，导致严重的内容重复。ScanPE 通过将空间坐标注入帧生成过程，有效消除了重复问题，这验证了将空间问题转化为时序问题这一核心设计的必要性。

Fig.7 ScrollSR超分模块消融对比

这张消融实验图展示了 ScrollSR 超分辨率模块和 TAP 轨迹锚定分区的效果对比。不使用 ScrollSR 时，输出分辨率受限，细节模糊；不使用 TAP 时，帧间出现可见的闪烁和边界伪影。完整配置下两个模块协同工作，既提升了分辨率又保证了帧间一致性，这证明了每个组件都是整体框架不可或缺的一部分。

批判性点评

• 新颖性： 核心创新——将空间扩展映射为时序演变——极具新颖性和优雅性。ScanPE的数学形式简洁清晰，TAP和MCS的设计也有针对性。但ScrollSR模块本质是套用现有视频超分技术，原创性相对有限。整体框架对Wan2.1的依赖较强，换用其他视频扩散模型的效果未验证。
• 可复现性： 基于开源Wan2.1-T2V-1.3B，训练仅需2×A100+3K图像数据集，推理单张A100(80GB)可完成。训练成本极低，但代码尚未开源。方法描述详细，公式完整，理论上可独立复现。
• 影响力： 为超高分辨率图像生成提供了全新且优雅的范式，对数字长卷、全景摄影、游戏地图等应用有直接实用价值。视频扩散先验→空间扩展的跨界思路可能启发更多创新工作。但单张A100推理32K的效率和质量在商业场景中是否足够仍需验证。

深度点评：

1. 创新亮点：空间→时序的范式转换 — 将32K图像生成重新表述为视频扫描是极具想象力的创新。ScanPE用移动相机隐喻优雅解决了全局坐标一致性问题。
2. 局限：数据和场景覆盖不足 — 仅3000张训练数据且集中在风景/山水画类型。人物、城市等复杂场景能力未验证。8:1评估协议的合理性也值得讨论。
3. 工程价值：极低训练成本 — 2×A100训练+单卡推理32K，训练数据仅3K张。极低的资源门槛使其适合学术实验室和创业团队。

技术演进定位： 处于图像生成与视频生成的交叉点，开创了用视频先验赋能图像合成的新范式。在超高分辨率生成领域具有里程碑意义。

可能的后续方向：

• 扩展到任意纵横比和非矩形画布（如环形全景、球面映射）
• 结合更强大的视频扩散模型（如Sora类模型）提升质量
• 探索交互式32K内容生成（用户可编辑局部区域）
• 将视频-图像范式迁移到3D场景和纹理生成

其余论文 · 贡献与效果总结

趋势观察

1. 视频先验赋能图像生成 — ScrollScape将超大画布生成转化为视频扫描任务，利用视频模型的时序一致性保证空间结构完整性，开辟了图像-视频范式互通的新方向。
2. 统一视频生成模型的推理增强 — OmniWeaving通过激活MLLM的思维模式，让视频生成模型具备推理能力，从被动特征提取升级为主动意图推断，是多模态理解与生成深度融合的代表。
3. 免训练方法持续升温 — HetCache、HAM、DepthArb等多篇论文均采用免训练策略，通过精巧的注意力操控实现特定目标，反映了社区对即插即用、低成本方案的强烈需求。
4. 扩散模型安全与对抗 — Anti-I2V和HAVIC分别从防御和检测角度应对扩散模型滥用问题，DiT架构的对抗鲁棒性成为新的研究热点。
5. 生成模型架构的跨界适配 — GenMask让DiT直接生成分割掩码，ScrollScape用视频模型做图片，展示了生成架构的通用性远超原始设计意图。

人工智能炼丹师 整理 | 2026-03-27