Google Research 提出 Diffusion Controller：统一并简化 AI 图像生成控制
Google Research 提出 Diffusion Controller 框架，将扩散模型的去噪过程重构为连续控制问题，用一个轻量"转向阻尼器"网络在冻结基座模型的前提下动态调整生成轨迹。在 Stable Diffusion v1.4 上以 HPS-v2 评测，其完全解锁版本对基线模型取得 90% 胜率，并支持黑盒、灰盒模型的微调，无需改动底层权重。
#图像生成
Google ResearchAI 评分3838
量子位AI 评分5252 北航等团队提出 OmniHarness：视觉AI把成功流程收进方法库，图像策略可迁移到视频生成
北航、港中文与新国大团队提出 OmniHarness，通过符号策略学习把验证有效的视觉创作流程提炼成可复用的方法库，参数不变、不微调模型。在 ComfyBench 创意任务上解决率达 95%，比最强对照 SymbOmni 高 27.5 个百分点；同用 GPT-4o 时总体解决率为 89.5%，高于 ComfyMind 的 83%。
Google ResearchAI 评分2424 Google Research 揭示扩散模型创造力来源：分数平滑如何带来插值效应
Google Research 在 ICLR 2026 论文中指出，扩散模型的创造力源于神经网络训练中的"分数平滑"效应：权重衰减等正则化使学到的分数函数变平滑，去噪过程因此生成落在训练数据点之间的插值样本，而非简单记忆。研究用一维两点实验验证，权重衰减越强、分数函数越平滑，粒子越易停在插值区。
Berkeley AI ResearchAI 评分2626 伯克利提出基于信息量的成像系统设计框架，NeurIPS 2025 论文验证四大成像领域
伯克利 AI 研究团队提出一种直接评估和优化成像系统信息量的框架，仅用含噪测量和噪声模型即可估计互信息，无需任务专用解码器。该信息指标在彩色摄影、射电天文、无镜头成像和显微镜四个领域均能预测解码器性能，优化后的设计可媲美端到端方法，且内存和算力需求更低。相关成果发表于 NeurIPS 2025。