AIGC Studio：分享AIGC前沿知识和好玩应用，公众号同名。

【AI设计工具Lovart深度测评：为什么值得年费订阅？】作为长期使用各类AI设计工具的博主，作者认为Lovart凭借稳定性、全链路设计能力和创新功能脱颖而出。与其他工具不同，Lovart作为全球首个设计领域AI智能体，能完整承接从需求理解到方案输出的全流程设计任务。其核心优势包括：品牌视觉自动对齐功能、图层级细节修改能力、字体版权解决方案、智能样机生成，以及可沉淀设计经验的CreateSkill功能。目前平台正开展年中43折大促，是2026年前最低价窗口期。对于需要稳定高效设计工具的内容创作者而言，Lov

FaceCam提出了一种基于单个输入视频和相机轨迹的人像视频生成方法。通过尺度感知相机条件化技术，利用渲染的面部特征点表示目标相机，实现精确的相机姿态控制。该方法无需4D合成训练数据，通过合成相机运动和多镜头拼接策略，使模型在推理时能泛化到连续相机轨迹。实验表明，FaceCam在相机控制精度、视觉质量、身份和运动保持方面表现优异，优于现有方法。相关资源包括项目主页、论文和开源代码。

快手可灵团队提出革命性AI视频生成框架ShotStream，突破传统单镜头限制，实现多镜头长视频智能生成。该技术赋予AI"导演思维"，能自动规划分镜、控制运镜并处理场景切换，直接从脚本生成包含多景别、流畅转场的完整视频序列，保持角色场景一致性。其创新因果架构通过双缓存机制确保视觉连贯性，采用两阶段蒸馏策略减少误差累积，在单GPU上实现16FPS实时生成。

《FlowFixer：解决AI生成图像细节丢失的突破性方案》 摘要：韩国大学与亚马逊联合开发的FlowFixer模型，有效解决了AI生成图像（AIGC）中常见的Logo模糊、文字错乱等细节丢失问题。该模型采用创新的"图像到图像"翻译技术，在不改变整体构图的前提下，将参考图的精细细节精准复现到生成图中。通过"一步去噪"自监督法生成训练数据，FlowFixer在FidelityBench-258K测试中展现出77.3%的细节修复成功率，显著优于现有方法。实验证明，该方案在

快手可灵团队提出革命性AI视频生成框架ShotStream，突破传统单镜头限制，实现多镜头长视频自动生成。该技术通过因果多镜头架构和两步蒸馏法，使AI具备"导演思维"，能根据脚本自动规划分镜、控制运镜并处理场景切换，保持角色和场景一致性。实验显示，ShotStream在单GPU上可达16FPS的实时生成速度，性能优于传统双向模型，为交互式叙事开辟新可能。这项技术标志着AI视频生成从简单片段迈向完整电影制作的重大突破。

FaceCam是一种创新的相机控制系统，能够基于单个输入视频和目标相机轨迹生成可控的人像视频。该方法通过尺度感知相机条件化技术，利用面部特征点表示相机姿态，有效解决了传统方法中的尺度模糊问题。系统采用多视角视频和自然场景数据进行训练，引入合成相机运动和多镜头拼接策略，在推理时能泛化到连续相机轨迹而无需3D监督。实验表明，FaceCam在相机控制精度、视频质量、身份和运动保持等方面均表现优异，为人像视频生成提供了新的解决方案。相关代码和论文已在GitHub和arXiv平台开源。

复旦大学OpenVGLab团队推出OmniLottie，首创多模态Lottie动画生成模型，支持文本/图像/草图/视频多种输入方式生成专业UI动效。该方案通过LottieTokenizer实现10倍数据压缩，直接输出轻量可用的.json文件，并开源200万量级的MMLottie-2M数据集。实验显示其生成动画质量高、语义对齐度好，显著提升传统动效设计效率。

OmniRoam是一种创新的可控全景视频生成框架，由多所高校与Adobe Research联合开发。该技术通过球面潜在扩散模型、长时一致性记忆机制和可控相机轨迹引导三大核心模块，有效解决了传统透视视频模型在长距离场景漫游中的局限性。实验表明，OmniRoam在视觉质量、轨迹可控性和循环一致性方面均优于现有方法，支持用户自定义相机路径实现精准场景漫游。该框架不仅提升了全景视频生成质量，还拓展了实时生成和3D重建的应用场景，为虚拟现实等领域提供了更高效的视频生成工具。相关代码已开源，有望推动视频生成技术的进一步

《LightMover：基于视频扩散先验的单图物理级光照编辑框架》 摘要：阿德莱德大学等机构联合提出的LightMover框架突破了传统单图光照编辑的技术瓶颈，无需3D重建即可实现物理级光影控制。该框架通过视频扩散Transformer建模光照变化，支持光源位置、颜色和强度的独立调控，自动生成符合物理规律的阴影、反射等效果。基于32,000组合成数据训练，LightMover在PSNR（提升15%）、SSIM（达0.92）等指标上显著优于现有方法，用户测试显示85%的参与者认可其真实感。这项被CVPR202

SentiAvatar开源框架突破数字人交互瓶颈，实现情感驱动的自然动作生成。该框架创新性地采用"先规划后填充"双通道架构，将语义规划与韵律驱动解耦，在自建37小时多模态数据集SuSuInterActs上训练，R@1达43.64%。实验显示其6秒动作仅需0.3秒生成，在BEATv2数据集FGD(4.941)和BC(8.078)指标均创新高，解决了传统数字人动作僵硬、表情不自然的问题。框架、数据集及角色模型已全面开源，为实时虚拟交互研究提供新基准。

北京理工大学与理想汽车联合提出PhysGM框架，突破物理仿真瓶颈：仅需单张图片+1分钟即可生成高保真4D动态视频。该CVPR2026成果采用双解码器架构，联合预测3D高斯表示与物理属性，通过物质点法快速仿真。创新性地引入DPO偏好优化替代传统SDS方法，并基于5万+标注样本的PhysAssets数据集训练。实验显示其生成速度（<1分钟）和物理真实性远超现有方法，可精确模拟多种材质特性与物体交互，为自动驾驶仿真、VR等领域提供新工具。相关代码与数据集已开源。

京东推出首个统一多模态图像模型JoyAI-Image，突破传统碎片化编辑痛点。该模型采用8BMLLM+16BMMDiT架构，实现理解-生成-编辑闭环协同，在空间推理、长文本渲染等方面达到顶尖水平。核心创新包括：支持物体移动/旋转/视角控制三类空间操作；通过多阶段训练解决文本失真问题；采用指令分解提升编辑精度。测试显示其空间理解准确率超越同类产品，文本生成质量提升32%，多视图误差降低41%。模型已全面开源，可应用于电商设计、机器人感知等领域。

西湖大学张岳实验室推出革命性科研绘图工具AutoFigure-Edit，实现了从文本到可编辑SVG插图的智能转换。该系统通过五阶段流水线，支持参考图引导风格迁移，生成完全可编辑的矢量图形。实验显示其生成效果显著优于现有方法，48%的用户认为可直接用于论文发表。这一突破性工具解决了科研绘图"生成不可编辑、编辑需重生成"的痛点，大幅提升了科研人员的工作效率。

亚马逊与韩国大学联合推出FlowFixer模型，解决AI生成图像（AIGC）中Logo模糊、文字错乱等细节丢失问题。该模型采用"图像到图像"修复技术，在不改变整体构图的前提下，精准还原参考图的精细细节。通过创新的"一步去噪"自监督法生成训练数据，FlowFixer在FidelityBench-258K测试中平均K_Gain达77.3%，显著提升商业场景的可用性。研究不仅提供了系统解决方案，更启示了"图像-图像"指令和细粒度评估体系的重要性，为

快手可灵团队提出ShotStream框架，突破AI视频生成"单镜头"限制，实现多镜头长视频自动生成。该技术采用因果多镜头架构，通过双向教师模型蒸馏和双缓存机制，解决镜头间一致性与误差累积问题，在单GPU上达到16FPS实时生成。实验显示ShotStream在视觉一致性、提示跟随等方面优于基线模型，为交互式叙事开辟新可能。这项技术将视频AI从简单工具升级为创作伙伴，标志着AI视频生成正式迈向电影制作门槛。

加州大学与Adobe联合发布FaceCam系统，无需4D训练数据即可实现单视频精准相机控制。该系统通过尺度感知相机条件化方法，利用渲染的面部特征点表示目标相机轨迹，有效解决了传统方法中的尺度模糊问题。FaceCam采用多视角视频训练，通过合成相机运动和多镜头拼接策略，使模型能泛化处理连续相机轨迹。实验表明，该系统在相机可控性、视觉质量和身份保持等方面表现优异，为短视频创作者提供了"电影级"运镜能力。项目已开源代码和论文。

中山大学与LavieAI团队提出FastFit虚拟试衣框架，突破现有技术"慢"和"少"两大瓶颈。该技术基于创新的可缓存Diffusion架构，实现3.5倍速度提升，支持同时处理5类单品组合，完成全身造型搭配。团队还开源了首个多参考虚拟试衣数据集DressCode-MR。FastFit通过"一次计算，全程复用"的缓存机制，在保持SOTA生成质量的同时显著提升效率，为虚拟试衣技术应用开辟新路径。相关论文、代码、模型和数据集均已开源。

《ComposeMe：基于属性解耦的可控人体图像生成模型》提出了一种创新方法，通过特定属性标记化和多属性交叉引用训练，实现对身份、发型、服饰等视觉属性的精细化独立控制。该模型突破现有方法局限，支持从不同参考图像分别提取各类属性，并注入预训练扩散模型，生成高保真且自然融合的个性化图像。两阶段训练策略（单参考训练+多属性交叉训练）有效解决传统方法中的复制粘贴伪影问题，在跨主体多属性组合场景下展现卓越性能。实验证明该方法在遵循视觉提示和文本指令方面达到最优水平，为模块化人体图像合成提供了新范式。

字节提出OmniInsert框架解决无遮罩视频插入三大挑战：数据稀缺、主体-场景平衡及插入协调。创新点包括：1)构建InsertPipe数据流水线自动生成多样化数据；2)设计条件特定特征注入机制和渐进式训练策略保持平衡；3)提出"插入偏好优化"增强协调性。实验表明，在新建的InsertBench基准测试中，OmniInsert性能优于现有商业方案，代码即将开源。该系统能实现任意参考主体的无缝视频插入，展现出色稳健性。

腾讯开源SRPO算法突破AI生图技术瓶颈，直接登顶HuggingFace趋势榜。该研究创新性地提出"直接对齐"方法，通过噪声先验定义和插值恢复技术，有效解决多步降噪计算成本高的问题，同时引入语义相对偏好优化实现在线奖励调整。实验表明，SRPO仅需10分钟训练即可显著提升模型性能，在真实感和美学质量上达到3倍提升，且能避免奖励黑客攻击问题。该技术突破为AI生图"油腻"问题提供了解决方案，展现出在风格控制和快速微调方面的强大潜力。（150字）

小米提出Lego-Edit框架，通过多模态大语言模型（MLLM）实现开放域图像编辑。其核心创新包含：1）模型级工具包，集成多种专用编辑模型和处理函数，支持细粒度操作组合；2）三阶段RL训练策略，利用开放域指令反馈增强模型泛化能力。实验表明，该方法在GEdit-Bench和ImgBench上性能最优，能解析复杂指令并动态协调工具，且支持零样本适应新工具。该框架突破了传统方法在跨领域泛化上的局限，为智能图像编辑提供了新思路。

【摘要】港科大团队提出InfGen方法，通过固定潜在向量表征内容，结合一步生成器实现任意分辨率图像生成，无需重新训练扩散模型。该方法显著降低计算复杂度，将4K图像生成时间缩短至10秒内，支持即插即用式应用。实验表明InfGen能有效提升现有模型的高分辨率生成能力，在保持质量的同时实现快速推理（7.4秒生成4K图像），为超高分辨率图像生成提供了高效解决方案。论文及项目代码已公开。（98字）

清华大学与字节跳动联合提出HuMo框架，实现多模态控制的高质量真人视频生成。该框架支持文本、图像和音频输入，通过渐进式训练解决数据稀缺和模态协同难题，采用图像注入策略保持主体一致性，并创新音频-面部关联方法。实验显示HuMo在文本对齐、主题保留和音画同步方面超越现有技术，为短视频创作提供灵活可控的生成方案。

腾讯推出基于混元模型的PromptEnhancer提示重写工具，通过优化用户输入提示来提升文本到图像生成质量。该工具采用两阶段训练框架：先通过监督微调初始化重写器，再结合强化学习进行策略优化，使用专用奖励模型AlignEvaluator提供24个维度的细粒度反馈。实验表明，该方法能显著改善图像与复杂提示的匹配度，支持多种艺术风格，且无需修改基础T2I模型权重。相关模型、代码和论文已开源。

美团推出OneCAT统一多模态模型，采用纯解码器Transformer架构，集成理解、生成和编辑功能。其创新模态混合专家结构无需外部组件，提升处理效率并支持动态分辨率。该模型率先实现多尺度视觉自回归机制，大幅减少解码步骤。实验表明，OneCAT在多项基准测试中超越现有开源模型，树立了多模态智能新标准。核心特点包括精简的解码器设计、三专家混合系统（文本理解/视觉理解/图像生成）以及创新的多尺度生成技术，使图像生成从粗到细逐步优化。

EchoMimicV3创新突破人体动画研究瓶颈，提出统一多任务多模态的高效框架。该13亿参数模型通过三重创新设计：任务集范式（多任务掩码输入与反直觉分配策略）、模态集范式（耦合-解耦多模态交叉注意力模块）及新型训练推理策略（负向DPO优化与相位感知CFG），有效解决传统方法推理慢、计算成本高的问题。实验表明，其性能可媲美十倍规模模型，在保持高质量输出的同时显著提升效率，为人体动画研究开辟新方向。

摘要：北京大学等机构联合提出的Lumen视频重照明框架，基于大规模视频生成模型，通过文本描述实现光照与背景的智能调整。针对高质量配对视频稀缺问题，研究团队构建了混合3D渲染与真实视频的大规模数据集，并采用领域感知适配器进行联合训练。实验表明，Lumen能生成前景保留完好、光照一致的电影级视频效果，在合成/真实场景中均优于现有方法。相关论文、模型及试用已开源发布。

国产AI音乐神器Mureka全面超越Suno，开启中文音乐创作新时代。基于自研MusiCoT大模型，Mureka不仅能精准生成符合中文语境的歌曲，还提供TTS语音合成、音色克隆等全功能音频创作。从音乐人到短视频博主，Mureka以"音乐合伙人"的角色，为各类创作者提供高效免版权素材，让AI音乐从"能用"升级为"好用"。

中山大学与LavieAI团队提出FastFit虚拟试衣框架，突破现有技术"慢、少"瓶颈，实现多品类、高效率、高质量试穿。该方案采用创新可缓存U-Net架构，通过预计算和复用服装特征，将推理速度提升3.5倍，同时支持5类单品同时搭配。团队还开源了包含28,179套图像的大规模多参考数据集DressCode-MR。实验显示FastFit在各项指标上均达SOTA水平，能精准还原纹理图案，实现自然协调的全身搭配效果。

字节跳动推出USO模型，统一风格与主题优化生成框架。该模型支持任意场景下的风格-主题组合，保持高度一致性与自然效果。通过两阶段训练（风格对齐与解耦）及奖励学习提升性能，USO在主题/风格驱动任务中达到新SOTA。项目已开源代码、模型及三元组数据集，并建立USO-Bench评估基准。实验证明其兼具主题一致性、风格保真和文本可控优势。

UIUC团队提出Dress&Dance框架，这是一个创新的视频生成系统，支持多模态输入（文本/图像/视频）来控制虚拟试穿效果。该框架通过统一的CondNet调节网络处理不同输入模态，能生成1152×720高分辨率、24FPS的5秒试穿视频，精准保持服装细节和运动连贯性。实验表明其效果优于现有开源方案，在服装保真度和运动自然度方面媲美商业模型，并支持上下装同时试穿等复杂功能。该技术突破了传统视频试穿的局限，为虚拟时尚领域提供了高质量解决方案。

字节推出Waver1.0通用生成模型，支持文本/图像到高清视频转换。该模型基于整流变压器架构，能同时处理T2V、I2V和T2I任务，支持1080p分辨率和2-10秒灵活时长。采用分级训练策略：先在低分辨率学习运动特征，再逐步提升至720p，配合级联精炼器实现高效1080p生成。在性能评测中位列前三，超越多数开源方案，媲美商业产品。创新点包括双流融合架构、提示标记技术和推理优化方法，显著提升生成质量和效率。

美团开源Agentic混合专家模型LongCat-Flash，在智能体任务中超越主流模型。该5600亿参数模型采用创新MoE架构，动态激活186-313亿参数，通过ScMoE设计实现高效计算。具备多阶段训练流程，专为智能体任务优化，推理速度显著提升。已上线Hugging Face并提供论文链接，适用于复杂智能体应用。

【AI图像编辑新突破】智象未来团队提出视觉自回归框架VAREdit，解决扩散模型在图像编辑中的两大痛点：通过自回归建模实现精准指令跟随（编辑准确率提升30%+），并优化推理速度（512x512图像编辑仅需1.2秒）。核心创新点包括：1）将编辑任务转化为多尺度特征预测问题；2）设计尺度对齐参考模块解决特征匹配难题。实验显示其性能超越主流扩散模型，在保持高质量的同时实现2.2倍加速。该研究为高效精准的图像编辑提供了新范式。

复旦大学与华为诺亚方舟实验室联合推出首个统一3D理解和生成框架UniUGG，支持空间级视觉问答和3D场景生成。该框架通过几何语义编码策略预训练视觉编码器，结合潜在扩散模型实现高质量3D表征生成，在参考图像基础上可创造3D变体并精准描述。实验表明，UniUGG在空间理解和生成任务上均超越基准水平，特别在捕捉细粒度空间关系和生成几何一致场景方面表现优异。未来研究将扩展其3D编辑功能，突破点云生成限制。论文及项目已公开。

上海交通大学提出SceneGen方法，通过单张场景图像和资源蒙版，一次性生成多个结构完整、纹理精细且位置准确的3D资源。该方法结合视觉与几何编码器提取特征，经特征聚合模块融合后输出3D模型。实验显示其生成的场景物理合理、空间关系精确，在几何精度和视觉质量上均超越现有方法。支持多图像输入提升质量，相关代码和模型已开源。

WorldWeaver提出统一框架联合建模RGB与感知条件，解决长视频生成的时间一致性问题。该方法通过深度线索构建记忆库增强上下文保留，采用分段噪声调度降低漂移和计算成本。实验证明其能有效提升生成视频的稳定性和保真度，在机器人操作等多种场景展现优异性能。核心创新在于系统利用深度/光流等感知信号辅助建模，实现更稳健的长序列预测。

阿里开源视频修复方法Vivid-VR，采用DiT架构和T2V基础模型，通过创新概念蒸馏策略解决传统微调导致的质量下降问题。该方法设计控制特征投影器过滤伪影，并采用双分支ControlNet连接器实现动态特征控制，在保持纹理真实性和时间连贯性方面表现优异。实验显示Vivid-VR在合成和真实场景中均优于现有方法，实现高质量可控视频修复。论文、代码和项目主页已公开。

苏州大学与阿丘科技团队在IJCAI20205发表论文，提出双分支训练策略解决异常图像生成与分割问题。传统方法存在标签偏移和样本匮乏难题，该研究通过引入对齐正则化损失，同步生成异常图像与掩码，确保特征分布一致性。创新性地将训练好的生成模型融入分割模型训练，利用生成反馈损失提升性能。实验证明，该方法有效缩小生成图像与真实数据的分布差距，显著改善图像-掩码对齐质量，为工业检测和医疗诊断中的样本不足问题提供了新解决方案。

腾讯混元联合高校团队推出首个端到端TV2A生成框架HunyuanVideo-Foley，通过10万小时级数据流水线、双流时间融合架构和自监督表征对齐三大创新，实现高保真音视频同步生成。该模型在音频质量、视觉语义匹配等指标上表现优异，已开放代码和试用平台，为影视、VR等领域提供"声画共生"新方案。