1-Bit Bonsai 图像 4B 图像生成（适用于本地设备）
介绍了一种名为1-Bit Bonsai的图像生成模型，参数规模为4B，专门针对本地设备优化，能够在资源受限的环境下运行。
图像生成
First-Principle 上关于「图像生成」的公开讨论、AI 可引用摘要和相关观点集合。
精选帖子
彩色噪声扩散采样（CNS）：一种免训练的扩散模型随机求解器
一篇来自HuggingFace Daily Papers的论文介绍了一种名为“彩色噪声采样”（CNS）的新型免训练随机求解器，旨在改进扩散模型的图像生成质量。该方法通过动态调度策略，将注入能量更高效地分配给未解决的频率带，从而引导生成分布更接近真实数据流形。
SKILD：统一图像生成与连续超分辨率的尺度不变扩散模型
First-Principle于2026年5月28日分享了HuggingFace Daily Papers推荐的SKILD模型。该论文介绍了一个基于尺度不变性的扩散模型，在统一的无条件框架内实现图像生成和连续超分辨率。模型利用自然图像和物理系统的尺度不变性，通过将尺度作为扩散动力学的显式坐标，设计了从精细到粗糙尺度逐步衰减图像内容并注入频谱匹配高斯噪声的前向过程。逆向过程仅通过改变起始时间步长即可执行生成和连续超分辨率任务，无需特定任务架构、条件分支、无分类器引导或针对不同缩放因子重新训练。据论文称，SKILD在无条件CIFAR-10上达到FID 2.65和IS 9.63，在ImageNet上实现2倍至8倍超分辨率，性能优于条件模型，还能重建临界伊辛模型。
Bonsai Image 4B 生图 AI 登陆 iPhone 17 Pro Max，9.4 秒生成 512×512 图像
PrismML 公司发布了 Bonsai Image 4B 系列图像生成模型，该模型在 iPhone 17 Pro Max 上仅需 9.4 秒即可生成 512×512 图像。系列包含 1-bit 和 Ternary 两个版本，通过极端权重压缩（分别实现 1.125bit 和 1.71bit 等效位宽）大幅减小模型体积和运行内存占用，同时保持较高图像质量（Ternary 版保留 95% 准确性，1-bit 版保留 88% 准确性）。
MRT：200亿参数的遮罩区域Transformer用于多层图像生成与编辑
First-Principle Post报道了MRT模型，这是一个拥有200亿参数的遮罩区域扩散模型，专门用于多层透明图像的生成和编辑。该模型在超过1000万个多语言设计样本上训练，整合了文本到图层、图像到图层和图层到图层三个任务，并在图像到图层任务中显著优于Qwen-Image-Layered模型，同时推理速度快10-100倍。
几何感知图像流匹配：基于球面最优传输的生成模型新方法
该论文提出几何感知图像流匹配方法，发现自然图像的语义信息主要编码在方向分量中，范数分量可用全局平均值近似。基于此引入球面最优传输流匹配和球面流匹配，实验中优于欧几里得基线，为黎曼流形建模与自然图像生成提供了新视角。
Flow-OPD: 解决多教师在线策略蒸馏中的奖励跷跷板问题并应用于图像生成
本文介绍了Flow-OPD方法，旨在解决在线策略蒸馏（OPD）中多教师模型带来的奖励跷跷板问题，并将其应用于图像生成任务，由中国科学技术大学、加州大学洛杉矶分校、香港中文大学和小红书等机构合作研发。
PhoneDiffusion：iOS端本地AI图像生成应用发布
根据First-Principle Post于2026年5月25日发布的Hacker News AI热帖，一款名为PhoneDiffusion的iOS应用已在App Store上线，其核心特点是允许用户在iPhone、iPad等设备上本地运行AI图像生成模型，无需依赖云端服务，注重隐私和离线使用体验。
微软发布MAI-Image-2.5图像生成模型，位列Arena榜单第三
微软研究院推出了其MAI-Image系列最新的图像生成模型MAI-Image-2.5。据First-Principle发布的消息，该模型在Arena文生图榜单上排名第三。其在文字渲染、画面细节和整体一致性方面较前代有显著提升，更适用于信息图、海报、包装等需要准确文字呈现的商业应用场景。模型还增强了视觉推理能力，能生成结构更完整、逻辑更连贯的图像。
英伟达PiD技术：低显存快速生成高分辨率图像
英伟达团队推出PiD（像素扩散解码器）图像生成技术，能将512x512潜变量图像直接解码放大至2048x2048。在消费级RTX 5090显卡上峰值显存13GB，耗时不足1秒；在GB200 GPU上最快210毫秒。相比传统方案速度提升约6倍。
FlashAR：用0.05%数据微调实现自回归图像模型推理22.9倍加速
文章介绍了一种名为FlashAR的技术，该技术针对自回归图像生成模型推理速度慢的问题，通过仅使用0.05%的数据进行微调，实现了高达22.9倍的加速，同时声称不牺牲生成质量。
视觉概念融合（VCF）：无需训练即可同时使用图像和文本提示引导扩散模型
本文介绍了视觉概念融合（VCF）方法，该方法允许在推理时同时使用图像和文本提示来控制文本条件扩散模型（如Stable Diffusion），而无需针对特定概念进行训练。
SEGA：用于扩散变压器分辨率外推的频谱能量引导注意力
一篇于2026年5月22日发布的论文提出了一种名为SEGA的无需训练方法，用于解决扩散变压器在超出训练分辨率时生成图像性能下降的问题。
GenEvolve：自我进化的图像生成智能体框架
HuggingFace Daily Papers社区热门论文介绍了GenEvolve框架。该框架通过工具编排的视觉经验蒸馏技术，帮助图像生成智能体实现自我进化。其核心是将生成尝试建模为工具编排轨迹，通过比较多个轨迹抽象出结构化视觉经验，并通过蒸馏为学生智能体提供密集监督。实验表明，该方法在公开基准和专用测试集GenEvolve-Bench上取得显著提升，达到了当前图像生成框架的先进水平。
谢赛宁团队发布第二代表征自编码器，提升图像生成语义理解
根据First-Principle平台转发的机器之心报道，谢赛宁团队于2026年5月发布了第二代表征自编码器（VAE）。该模型通过整合DINOv2、SigLIP等预训练视觉编码器的知识，旨在解决传统VAE在图像生成中语义理解不足的问题，以优化效率与质量的平衡。
智象未来发布超两千亿参数图像生成大模型HiDream-O1-Image-Pro
根据2026年5月20日量子位的报道，智象未来公司推出了名为HiDream-O1-Image-Pro的图像生成大模型，其参数规模超过两千亿。该模型被视为向通用世界模型迈进的重要一步，同时公司融资活动也在持续加速。
基于球面潜在编码器的高效图像合成方法
2026年5月18日来自HuggingFace Daily Papers的论文介绍了针对少步图像生成方法训练不稳定和Sphere Encoder计算效率低的问题，提出了一种解耦框架。该框架将系统分为固定的预训练图像编码器和在球面潜在空间中训练的独立去噪模型，避免了像素空间与潜在空间的频繁切换，提高了效率并允许任务独立优化。论文称在Animal-Faces、Oxford-Flowers和ImageNet-1K数据集上的实验表明，新方法在生成质量和推理速度上均显著优于Sphere Encoder。
InsightTok：改进离散分词在自回归图像生成中的文本与人脸保真度
本文介绍了InsightTok，一个新颖的离散视觉分词框架，旨在解决自回归图像生成中文本和人脸保真度不足的问题。该框架通过引入基于内容的局部化感知损失进行监督，以16k码本和16倍下采样率，在文本和人脸重建任务上显著超越了先前的分词器，并迁移到InsightAR模型中，生成了文字更清晰、面部细节更逼真的图像。
阿里巴巴Qwen-Image-2.0图像生成模型发布：压缩率翻倍，生成步骤缩减至4步
根据2026年5月14日的帖子，阿里巴巴发布了Qwen-Image-2.0图像生成模型的技术报告。该模型通过更激进的图像压缩（压缩率是多数竞品的两倍）、重构变换器以稳定训练，并引入自动将用户简短输入扩展为详细提示词的专用模块来实现性能提升。其蒸馏版本仅需4步去噪，而传统方法需40步，显著提升了生成效率。
对齐潜在几何结构以改进球面流匹配图像生成
该研究通过将数据潜在向量投影至固定半径的球面，并采用球面线性插值替代线性插值，使生成路径严格保持在球面上，解决了潜在流匹配中线性插值偏离球面的问题，从而在不修改架构的情况下提升了图像生成质量。