标签搜索

Jefxiong

累计撰写 203 篇文章
累计收到 8 条评论

首页
/
AIGC Daily Papers
/
正文

AIGC Daily Papers

AIGC 每日速读|2026-09-25|快手开源修图登顶，GEdit仍输GPT

人工智能炼丹君

2026-09-25 / 0 评论 / 5 阅读 / 正在检测是否收录...

09/25

今日 AIGC 论文速览

今日共 10 篇 · 图像编辑与生成安全 2 篇 · 统一预训练与视频运动 2 篇 · 多模态联合生成 2 篇 · 音频生成与后训练 2 篇 · 推理加速与视频评测 2 篇

重点论文标题列表

KwaiMind（快手）：180万对数据炼电商修图
UVU（清华大学）：视觉监督前移，RefCOCO涨7.7
⚡ Unite-Audio（东京科学大学）：117M音频生成，CLAP登顶
MotionSpec（卡迪夫大学）：频谱轨迹约束视频运动
RecCAR（巴伊兰大学）：反向注意力补齐，音画更同步

今日论文速览

1. KwaiMind：180万对数据炼电商修图

KwaiMind Technical Report | 快手 | arXiv:2609.26375

关键词：图像编辑,电商,CTR奖励,Ecom-Bench,在线强化学习

⚠️ 前序问题：电商修图不是通用编辑：商品主体要一模一样、促销文字要渲染准确、图还得有点击欲。通用编辑模型在这三件事上都没专门优化，而电商数据的采集清洗又贵又杂，缺一套能稳定产出高质量配对数据的流水线。
本文贡献：快手发布 KwaiMind：多模态 DiT 底座，Agent 数据引擎维护约 180 万高质量编辑对；继续预训练加 SFT 后走偏好优化与在线 RL，用 VLM 通用裁判加 CTR、文字渲染、商品一致性三类专用奖励训练专精策略，再经 on-policy 蒸馏合并成单一模型；配套发布覆盖 11 类商业编辑任务的 Ecom-Bench。

端到端数据流水线：顶部 Coordinator Agent 负责状态管理、任务分发与数据集监控；左上 Filter Agent 过双模式投票和裁判聚合把样本分成通过/可修复拒绝/不可修复拒绝；右上 Generation Agent 用 LLM Planner 补缺口；下方 Post-Filter 用置信度筛选加模拟人类 VLM 评估器产出最终训练集，Caption Agent 负责掩码标注与生成 prompt——180 万对编辑数据就靠这套带人工回路的机器自己转出来。 — Overview of the end-to-end data pipeline. Coordinator Agent routes samples through filtering, generation, captioning, and post-filtering with bounded feedback loops and human review.

实验效果：开源编辑器里综合最强：ImgEdit 4.15、GEdit 5.79、REDEdit 英/中 3.75/3.73，Ecom-Bench 视觉质量第一；CTR 引导优化把生成图预测 CTR 超过原图的比例从 12.16% 提到 37.41%，线上 A/B 实际 CTR 相对提升约 2.44%。

四组柱状图：ImgEdit、GEdit、REDEdit 英文与中文分项。KwaiMind（星标）在开源阵营里排第一，但斜纹柱的闭源模型全面更高——ImgEdit 上 Seedream 4.0 拿 4.27、GPT-Image-2 拿 4.20，都压过 KwaiMind 的 4.15；GEdit 上 GPT-Image-2 的 7.10 和 Nano Banana 2 的 7.02 领先 KwaiMind 的 5.79 超过 1.3 分，「开源最强」和「全面最强」是两回事。 — Overall comparison on general image editing benchmarks: ImgEdit, GEdit, and the English and Chinese splits of REDEdit. Hatched bars denote closed-source models.

批判点评：最强的限定词是开源：图上闭源模型全面更高——ImgEdit 被 Seedream 4.0 的 4.27 和 GPT-Image-2 的 4.20 压着，GEdit 上 Nano Banana 2 拿 7.02、GPT-Image-2 拿 7.10，比 KwaiMind 的 5.79 高出一大截，REDEdit 两个语种同样如此。真正立住的卖点其实是 CTR 这条商业指标，而不是编辑质量本身。

2. UVU：视觉监督前移，RefCOCO涨7.7

UVU: Improving Multimodal Understanding via Vision-Language Unified Autoregressive Paradigm | 清华大学；腾讯优图实验室；南京大学；格拉斯哥大学 | arXiv:2609.27915

关键词：统一自回归,像素级codebook,连续视觉编码,视觉监督,预训练

⚠️ 前序问题：多模态大模型的细粒度视觉理解长期靠稀疏文本监督撑着，已有的视觉监督大多加在后训练阶段，那时视觉表征已基本定型，监督信号只能当辅助约束。要重塑感知骨干，得把视觉监督搬进预训练。
本文贡献：提出 UVU 视觉语言统一自回归范式：不用向量量化，SigLIP-2 连续视觉特征直接进 LM 解码器做下一 token 预测；设计大规模迭代层次聚类算法构建 20 万词表的像素级视觉 codebook，让图像 patch 与文本 token 在预训练期共享统一监督，模型由此内化视觉重建能力。

左侧是像素级 codebook 的构建：数十亿图像的 patch 经聚类与迭代更新得到共享词表，文本与图像 token 在此合并；右侧是前向流程：SigLIP-2 连续视觉特征投影后与文本嵌入一起进 LM 解码器做下一 token 预测，NTP 损失同时打在视觉段和文本段上，底部还展示了不依赖外部解码器的 VQ 重建——理解与重建共用一套自回归目标。 — Overview of the UVU vision-language unified autoregressive framework. Continuous visual features from SigLIP-2 are projected and integrated with textual embeddings for autoregressive next-token prediction in an LM decoder, generating pixel-level image tokens.

实验效果：同为 3B/Qwen2.5 底座，RefCOCO 从 84.1 涨到 91.8、LISA 57.4→71.7、CVBench-3D 71.9→76.6、BLINK 46.9→52.8；相对去掉视觉监督的自版 UVU*，RefCOCO +6.2、LISA +12.1。注意力热图显示 UVU 更聚焦目标区域。

同一张长颈鹿/猫计数问题的注意力热图，从左到右是无视觉监督、AR+VQ、UVU：无视觉监督一列大面积糊在背景上，AR+VQ 在长颈鹿例子上热区碎散、猫例子上几乎丢失目标，UVU 的热区收紧在动物本体上——像素级监督对细粒度定位的直接收益肉眼可见。 — Comparison of visual attention heatmaps under three paradigms: from left to right, without visual supervision, AR + VQ, and UVU (Ours).

批判点评：对手没输干净：SEEDB 74.1 仍低于 LLaVA-OV 的 75.4，MMStar 55.0 输给 56.7，ScienceQA 91.3 远低于 GLM-4v 的 96.7；MME 2201.9 对 LLaVA-OV 2146.3 的领先也只有 2.6%。统一目前只覆盖理解侧，生成侧数据还没进训练，作者自己也在文中承认。

3. Unite-Audio：117M音频生成，CLAP登顶

UNITE-AUDIO: Joint Learning of Continuous Tokenization and Latent Flow Matching for Text-to-Audio Generation | 东京科学大学；清华大学；武汉大学；东京大学；蚂蚁集团 | arXiv:2609.28206

关键词：文本生成音频,联合训练,flow matching,Flow-GRPO,连续表征

⚠️ 前序问题：文本生成音频的主流做法是两阶段：先训重建导向的音频 tokenizer 再冻结，然后在固定隐空间训生成模型。但为重建优化的表征未必适合生成，生成目标无法反过来塑造隐空间。
本文贡献：首个把连续音频表征学习和隐空间 flow matching 联合训练的 TTA 系统：掩码波形过在线编码器，EMA 编码器提供停止梯度的目标特征，重建与自监督生成预测耦合，让生成目标直接塑造隐空间；再用 Flow-GRPO 后训练强化文本条件对齐。

上半是重建路径：波形过在线编码器后虚线（无梯度）连到解码器还原波形；下半是生成路径：掩码波形过在线编码器得到带 M 掩码的隐特征，与 EMA 编码器输出（停止梯度）在时间步 t 插值后进 flow matching，文本条件经冻结文本编码器注入——蓝色模块带梯度、灰色模块冻结，重建与生成在同一套编码器上同时 shaping 隐空间。 — Overview of the proposed framework: (a) the reconstruction path and (b) the generation path. Blue denotes regions with gradient propagation, while gray denotes regions without gradient propagation.

实验效果：117M 隐空间生成模型（不含编解码器）在 AudioCaps-886 上 CLAP 0.534 全表最高（EzAudio 0.496、TangoFlux-RL 0.480），KL 1.057 最低，RTF 0.062；NFE 压到 4 时 RTF 仅 0.009 仍保 CLAP 0.512。

上排是传统做法：tokenizer 先单独训好再冻结，生成模型只能在定死的隐空间里学；下排是 Unite-Audio 的单阶段联合预训练：在线编码器直接把掩码特征喂给 flow matching，重建（虚线）与生成（实线）梯度同时回传——生成目标从此可以反过来改造隐空间本身。 — Comparison between conventional separate tokenizer-generator training and our joint single-stage training.

批判点评：分布指标难看：FD_OpenL3 84.76 是 EzAudio 38.26 的两倍多，FD_16k 43.25 也落后 GenAU 的 31.94，IS 11.34 不及 TangoFlux-RL 的 12.20——语义对齐赢了，音频分布保真还差得远；首个联合训练的含金量取决于你更看重 CLAP 还是 FD。

4. MotionSpec：频谱轨迹约束视频运动

MotionSpec: Spectral Trajectory Supervision for Motion-Consistent Video Generation | 卡迪夫大学；中国科大；华东师范大学 | arXiv:2609.28095

关键词：视频生成,运动一致性,傅里叶谱,光流,微调目标

⚠️ 前序问题：文生视频单帧越来越真，运动却常失真：动作推进不一致、复杂动作下结构崩坏。标准生成目标对运动本身几乎没有专门约束，运动演化处于欠约束状态。
本文贡献：提出 MotionSpec 运动监督：谱轨迹一致性 STC 构造锚点相对的稠密运动轨迹，经时间傅里叶变换成运动谱体积，对齐幅度与相位同时约束运动强度和时序组织；辅以局部光流一致性 LFC 稳定相邻帧过渡，两者随时间步加权加进微调目标。

每个训练步里，视频生成模型按 prompt、时间步与噪声水平产出干净潜变量并解码成视频；生成与真实视频都过光流提取器，走上两条监督：蓝框的谱轨迹一致性把锚点相对轨迹经时间傅里叶变换成运动谱体积后对齐幅度与相位，绿框的局部光流一致性对齐相邻帧光流，两项随时间步加权并入总损失。 — Overview of the pipeline. At each training step, the video generative model takes the prompt, timestep, noise level, and real data as inputs.

实验效果：在 Wan2.1 上微调，VMBench 均分 61.57→65.07，其中物体完整性 OIS 48.34→56.53、时序一致性 TCS 97.09→98.82；VideoJAM-Bench 运动分 85.3→93.61。定性对比里 Wan2.1 的骑车段后半程自行车几乎消失，MotionSpec 保留完整。

四组同 prompt 对比：骑车的小孩在 Wan2.1 后几帧里自行车几乎消失、车轮结构崩坏，MotionSpec 全程保留完整车辆；雨中奔跑特写里 Wan2.1 的腿部在最后两帧糊成一团，MotionSpec 保持步态连贯；转呼啦圈的例子中 Wan2.1 的圈在后半段漂出腰位，MotionSpec 的圈始终贴着腰线。 — Qualitative Results. On the left are the results of Wan2.1, and on the right are the results of ours.

批判点评：外观分几乎没动：App 仅 81.95→82.20（+0.25）；PAS 上单独用 LFC（24.27）反而高于完整版（23.74），说明两个目标存在拉扯。评测全部在 Wan2.1 一个底座上做，换模型的泛化性未知。

5. RecCAR：反向注意力补齐，音画更同步

All modalities are equal, but video is more equal: Closing the Cross-Attention Gap in Joint Video Generation | 巴伊兰大学；NVIDIA | arXiv:2609.27901

关键词：联合视频生成,跨模态注意力,KL正则,音画同步,人体解剖

⚠️ 前序问题：联合视频-动作/视频-音频生成的扩散 Transformer 里存在不对称：伴随模态到视频的对应很强，但反过来约束视频生成的对应路始终弱——视频听动作指令的能力远弱于动作看视频的能力，人体解剖崩坏、音画不同步由此而来。
本文贡献：把两个方向的跨模态对应表示成视频 token 上的分布，定义反向对应差距；提出 RecCAR，KL 正则把弱方向对齐到以视频到模态对应为固定参考的强方向，即插即用地微调 EchoMotion 这类联合生成模型。

同一个头部运动 token 的两个方向：V→M（视频到动作）的注意力准确落在人脸区域，M→V（动作到视频）的反向注意力却散落在身体和背景之间——对应图右侧人体模型上红圈标出的头部。这个不对称就是论文定义的反向对应差距，也是解剖崩坏的直接来源。 — Illustration of asymmetric reciprocal cross-modal correspondence. For a motion token corresponding to the head, the VM correspondence correctly localizes the head region in the video, while the reciprocal MV correspondence is dispersed.

实验效果：视频-动作联合生成 Human Anatomy 0.69→0.75，VMBench 多数指标超 EchoMotion、CoMoVi、FlowMo；视频-音频生成音画失同步从 0.804 降到 0.752。散点图上每个 prompt 的反向差距在微调后一致下降。

三组场景（水边起舞、上楼梯、室内旋转）下四个模型同题对比：EchoMotion 出现裙摆与腿部穿插、CoMoVi 站姿与楼梯踏步错位、FlowMo 在暗光场景里人物比例失真，RecCAR 一列的人体比例和肢体关系基本正常——提升集中在解剖合理性而不是画面美感。 — Qualitative comparison of RecCAR against EchoMotion, CoMoVi, and FlowMo across three representative scenes.

批判点评：增益以自家基线为参照：0.75 的解剖分意味着仍有约四分之一样本不达标，音频侧 0.752 的失同步也谈不上小；teaser 里对比的 LTX-2 只做了定性展示，未给出与闭源模型在同一协议下的量化差距。

6. GestureFAR：9.3毫秒每token的流式手势

GestureFAR: Streaming Co-Speech Gesture Generation with Flow Autoregression | 罗切斯特大学；东京大学；加州大学圣克鲁兹分校；加州大学洛杉矶分校；Meta | arXiv:2609.21576

关键词：手势生成,流式,flow自回归,蒸馏,实时交互

⚠️ 前序问题：流式陪聊手势生成此前靠离散运动 token 自回归，把高维连续运动压进有限 codebook，真实感和多样性都受损；而连续方法又难以保证逐 token 因果，实时交互卡在延迟上。
本文贡献：提出流式手势生成框架 GestureFAR：因果 VAE 把全身动作编码成可流式的连续隐变量，Transformer 对音频-运动上下文自回归，每 token 配 flow-matching 头从连续分布采样下一潜变量；再冻结因果骨干，用一致性加分布匹配目标把多步 flow 头蒸馏成单步前向。

三块结构：(a) 因果运动自编码器把全身动作压成可流式连续隐变量；(b) 连续 FAR 生成——自回归 Transformer 吃音频嵌入和历史隐变量，每 token 的 flow matching MLP 从连续分布预测下一潜变量；(c) 仅头部流蒸馏——学生分布经分布匹配损失对齐教师的多步采样，骨干冻结、只蒸馏 flow 头，因果性不破。 — Overview of GestureFAR. GestureFAR generates co-speech gestures from streaming audio by autoregressing over continuous motion latents.

实验效果：BEAT2 流式组 FGD 3.08 全面最佳（LiveGesture 4.57、MIBURI 8.06），BC 0.741 接近离线最优；1 步蒸馏后每 token 9.3ms，是教师 8 步 24.4ms 的 2.6 倍速、MIBURI 62.9ms 的 6.8 倍速。

三句语义化语音（含重读词标红）下四个模型与真值对比：EMAGE 和 GestureLSM 的手臂摆幅明显不足、语义重读词对应的手势缺失，MIBURI 出现手臂僵直重复，GestureFAR 在 YouTube 一句上做出抬手指向的动作且与重读词节奏对齐，整体更接近底部真值的幅度与变化。 — Qualitative comparison on BEAT2. We visualize generated full-body gestures from different methods under the same speech inputs, with the semantically salient words highlighted in red.

批判点评：BC 0.741 仍低于 MIBURI 的 0.790 和 LiveGesture 的 0.794，多样性 13.24 也略逊离线系；单步蒸馏换速度后 FGD 反而比教师还好（3.08 vs 3.17），这个反常更像评测协议的产物而非能力证明，文中未解释。

7. DeltaS：状态漂移选KV，六个基准+2.1

DeltaS: Reading the Gated Linear Attention State for KV Cache Eviction in Streaming Video | Maum AI；首尔大学；延世大学 | arXiv:2609.27470

关键词：KV缓存淘汰,流式视频,线性注意力,混合架构,训练无关

⚠️ 前序问题：视频语言模型转向线性/全注意力混合架构后，线性注意力状态固定大小，但全注意力 KV 缓存仍随流式视频无限增长；流式场景下问题还没来就得决定淘汰谁，现有基于位置、注意力或 KV 本身的信号都拿不到这个先验。
本文贡献：提出训练无关的 DeltaS：读门控 delta 线性注意力的循环状态，用一块帧内状态的归一化变化量（状态漂移）衡量该块带来多少新信息，漂移大的块对应 KV 留存；信号计算只占前向的 1.9%，无需代理查询。

左侧是交错的线性/全注意力层堆叠；底部视频按块推进（t169-t172），每块更新循环状态并标出归一化变化量 ΔS（0.19/0.31/0.49），ΔS 大的块对应上方的全注意力 KV 块被保留（深色箭头），变化小的块被淘汰——线性状态的变化量成了全注意力缓存的留存信号。 — Overview of DeltaS. Each video chunk updates the recurrent linear-attention states, whose normalized changes yield a shared score for retaining the corresponding KV entries across full-attention layers.

实验效果：预算与留存策略对齐的受控比较里，状态漂移信号全面胜过位置/注意力/KV 三类基线；六个长视频基准平均超最强无查询基线 2.1 分，最长基准 LVBench 超 5.6 分。

横轴是 KV 留存比例、纵轴是相对最强无查询基线的准确率差：LVBench 在 1.6% 留存时领先 5.6 分最亮眼，V-MME、MLVU 稳定领先 1-2.6 分；但随留存率升到 40% 以上，各基准的领先都收窄，EgoS 在 16K 预算下甚至落到基线之下 0.7 分——增益集中在低预算长视频场景。 — Performance margin as a function of KV retention rate. DeltaS generally shows larger margins at lower retention rates.

批判点评：增益随留存率升高而收窄：留存 token 超过约四成后在 EgoS 上反而落后基线 0.7 分，高预算场景收益有限；hybrid 架构前提也把它限死在门控 delta 线性注意力这一类骨干上。

8. DriftAudio：一步生成后训练FAD降34%

DriftAudio: Marginal Drifting for Distributional Post-Training of One-Step Text-to-Audio Generators | 悉尼科技大学 | arXiv:2609.27598

关键词：一步生成,分布后训练,文本生成音频,Drifting,FAD

⚠️ 前序问题：一步文本生成音频模型把推理成本打下来之后，生成分布仍欠火候；常规后训练依赖逐条件配对的真实样本，自由文本条件下一个 prompt 往往只有一两条真实参考，逐条件 Drifting 根本做不了。
本文贡献：提出 DriftAudio 边缘分布后训练：把 Drifting 从逐条件搬到边缘音频分布上做，在冻结的 PANNs 特征空间里用重采样真实样本、滚动生成的 FIFO 样本库和当前批次共同估计漂移场，得到 detached 训练目标只更新生成器，一步推理流程原样保留。

文本与噪声进可训练的一步 TTA 生成器，生成音频解码后过冻结的 PANNs 编码器进特征空间：绿色正样本来自重采样的真实音频，橙色负样本是滚动更新的 FIFO 生成样本库，右侧 Drifting 模块在两者之间估计漂移场，反传只更新生成器（红色火焰），编解码器全部冻结（雪花）——逐条件配对被绕开，一步推理不变。 — Overview of DriftAudio. The one-step generator remains text-conditioned, while Drifting is performed on the marginal audio distribution in feature space.

实验效果：从 MeanAudio 出发 FAD 降 33.9%、FD 降 17.6%，KL 与 CLAP 同步改善；从 FdAudio 出发 FAD 1.22→0.99，一步生成的分布质量明显抬升。

四个模型的 FAD 拆成均值（青）与协方差（橙）两段：MeanAudio 1.68 → DriftAudio 1.11，FdAudio 1.22 → DriftAudio 0.99；两处降幅都主要来自协方差段（1.548→1.021、1.118→0.907），均值段只小幅变化——后训练压的主要是分布形状差异而非均值偏移。 — Mean and covariance components of FAD for the four evaluated models. Numbers above the bars denote total FAD.

批判点评：不是白捡的：从 FdAudio 出发时 IS 和 CLAP 出现回退，说明边缘分布对齐和条件保真之间存在交换；方法绑定冻结的 PANNs 特征空间，换更强的音频评价骨干是否还成立未验证。

9. InGuard：嵌入层安检，省一半去噪步

InGuard: Towards Generalized Inner Guardrail for Safe Text-to-Image Generation | 阿里巴巴 AAIG | arXiv:2609.27620

关键词：文生图安全,内嵌护栏,嵌入改写,潜空间检测,RevGen

⚠️ 前序问题：T2I 的安全护栏都装在外面：前置 prompt 分类器加后置图像分类器，两者不用模型自身表征——prompt 检查准头有限，图像检查要等全量去噪烧完才跑，而且违规 prompt 只能一刀切拒绝，本可改写成安全输出的也被扔掉。
本文贡献：提出 InGuard 内嵌护栏：文本编码器嵌入上直接做风险三级分类（不安全/风险/良性），SAGE 对风险 prompt 做嵌入空间软门控改写使其输出安全图而非拒答，去噪中途用一步干净潜变量估计做潜空间检测，发现风险即刻提前终止；配套 RevGen Safety 基准，1 万条 prompt 由真实图反生成并注入受控 IP 角色。

文本 prompt 经编码器得到嵌入后进三连安全插件：风险分类把 prompt 分成 unsafe（直接提前终止）/risky（SAGE 改写成修正嵌入）/benign（绿线直通）；通过后进 flow matching 主干迭代去噪，中途某步做一步干净潜变量估计送潜空间检测，不安全即刻提前终止——两道闸都长在生成管线内部而不是外面。 — Overview of our InGuard framework. Three complementary components work in sequence: prompt embedding risk classification, SAGE embedding-space safety enhancement, and latent detection with early termination.

实验效果：五个开源 T2I 模型上安全率 97.9%-98.8%，追平或超过外置护栏；良性扰动少 57.5%-73.5%，参数少约 3.7 倍，50%-55.6% 的去噪步被跳过；潜空间检测在 44%-50% 计算量处就逼近图像级 F1。

上排：蒸馏预训练（蓝实线）在五个 LDM 上的 Avg F1 全面高于无预训练（橙虚线），且随微调池从 5K 涨到 50K 单调上升；下排：潜空间检测的 F1 随去噪步比例快速爬升，星标部署步只用到 44%-50% 推理算力就逼近右端图像级检测的 F1——提前终止省下的算力就来自这里。 — Pretraining effects on Avg F1 across five LDMs; latent detection vs denoising-step fraction used as a compute proxy.

批判点评：SAGE 改写不是万能的：论文自己承认增强失败时只能靠潜空间检测兜底拦截，等于承认存在漏改样本；RevGen 由自家反生成流水线构造，跨基准的代表性有待第三方复检。

10. CineGuard：11种运镜的抄袭检测

Did You Steal My Shot? Pioneering Camera Motion Plagiarism Detection in Generative Videos | 河海大学 | arXiv:2609.22267

关键词：运镜抄袭,生成视频,涡度,基准,版权保护

⚠️ 前序问题：运镜是影视级 IP，但生成视频用一句 prompt 就能复刻高价值运镜；现有相似度检测都盯着画面内容，训练数据把运镜和内容缠在一起，传统光流又表达不了复杂相机运动——运镜抄袭至今无人管。
本文贡献：构建首个运镜分析基准 CineFlow：11 种运镜风格的模拟数据集把运镜与内容解耦；提出 CineGuard 检测网络，在光流上叠加流体力学涡度作为平移不变线索，3D 卷积提 tubelet 嵌入后过 ViT 主干加全局相机适配器，对比学习聚拢同运镜视频。

输入光流 (u,v) 先算空间梯度得到涡度图 ζ，与原光流拼接后过 3D 卷积（核 2×P×P）提取 tubelet 嵌入，展平加 CLS 与位置嵌入后进 12 层 ViT 主干，每两层插一个全局相机 GC 适配器（全局 GELU 路径与局部 1D/3D 卷积路径拼接后门控融合），末端 MLP 加 L2 归一化输出相似度。 — Architecture of the motion plagiarism detection network. The input flow is first augmented with vorticity, then a 3D convolution extracts tubelet embeddings.

实验效果：抄袭检测超最强基线 3.02 倍；在 Veo 3.1 与即梦的商业生成视频上，余弦相似度 0.56-0.83，基线全部落在 0.35 以下，Precision@5 最高 0.73 对基线约 0.27。

Veo 生成的八种运镜下：左图余弦相似度 CineGuard（红菱形）在 0.56-0.83，四个基线（VideoMAE2/ViCLIP/DINO v3/VideoMamba）全部压在 0.35 以下；右图 Precision@5 CineGuard 保持 0.56-0.73，基线约 0.15-0.27。FPV Drone 一栏是 CineGuard 自己的谷底（0.56），复合运镜仍是最难的情形。 — Performance of plagiarism detection on generative videos. Left: cosine similarity between videos. Right: Precision@5 for retrieving videos with the same motion label.

批判点评：局限写在图里：FPV Drone 这类复合运镜相似度掉到 0.56，是全表最低，混合运镜仍是软肋；基准是简单几何场景模拟出来的，真实影视素材上的迁移只有商业视频小样本佐证。

趋势观察

编辑模型的主战场从通用能力挪向行业指标

KwaiMind 把 CTR 预测直接做成奖励信号训进编辑模型，线上 A/B 实测 +2.44%；InGuard 则把安全检查搬进生成管线内部，省下一半去噪步。两条线指向同一件事：图像生成的竞争正在从「生成质量」转向「商业约束下的生成质量」，奖励函数和护栏的构造方式开始比骨干网络更值钱。

视觉监督正在从后训练前移到预训练

UVU 用像素级 codebook 把视觉监督直接塞进预训练，RefCOCO 一项涨 7.7 分；MotionSpec 则在视频微调里用频谱约束补上运动监督的缺口。共同逻辑：等表征定型再补监督太晚了，感知质量的上限在预训练阶段就被决定。

一步生成与流式生成进入质量补课期

DriftAudio 给一步 TTA 做边缘分布后训练，FAD 降三分之一；GestureFAR 用单步蒸馏把手势生成压到每 token 9.3ms；Unite-Audio 把去噪步数压到 4 还能保住 CLAP。速度战的下一程是质量战——谁能在一步、几步的预算里把分布差距补回来，谁就拿到实时产品化的门票。

混合架构的两组记忆开始学会协作

DeltaS 证明线性注意力的循环状态可以反过来指挥全注意力 KV 缓存的淘汰，六个长视频基准平均 +2.1；Unite-Audio 则让生成目标直接塑造 tokenizer 隐空间，打破「先冻结表征再训生成」的铁律。两篇都在挑战模块化管线里各训各的默认假设。

人工智能炼丹君整理 | 2026-09-25

更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」

每日更新 · 论文精选 · 深度解读 · 技术脉络

微信搜索 人工智能炼丹君 或扫描下方二维码关注

扫码关注「人工智能炼丹君」

版权属于：人工智能炼丹君

本文链接： https://jefxiong.cn/index.php/archives/aigc-daily-papers-20260925.html

作品采用：《署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0) 》许可协议授权