MIT 等团队开发 E(3)-Pose：用对称性先验提升胎儿脑 MRI 成像可靠性
MIT 等团队开发了 E(3)-Pose，该技术通过引入对称性先验来提升胎儿脑 MRI 成像的可靠性。相关研究旨在解决胎儿脑部核磁共振成像中的技术难题。
发布时间：
#图像生成
MIT NewsAI 评分1414
IT之家·人工智能AI 评分3131 阿里 Qwen 开源 BlenderWorld：223 道题、2651 条标准的 3D 建模基准
阿里 Qwen 团队于 10 月 14 日开源 BlenderWorld，这是一个用于评测视觉智能体在 Blender 中完成真实 3D 创作任务的基准。该基准包含 223 道题与 2651 条标准，采用 MIT 许可证，代码与数据集已发布至 GitHub、Hugging Face 和 ModelScope。
发布时间：
Apple Machine Learning ResearchAI 评分4848 Normalizing Trajectory Models (NTM) 提出一种基于标准化流的轨迹建模方法
Normalizing Trajectory Models (NTM) 将扩散模型的反向生成步骤建模为具有精确似然训练能力的条件标准化流，解决了生成过程压缩至少量步骤时性能下降的问题。该模型通过结合浅层可逆块与深层轨迹预测器，支持从零训练或基于预训练流匹配模型初始化。在文本生成图像任务中，NTM 仅需 4 个采样步骤即可匹配或超越现有基准，并能通过自蒸馏生成高质量样本。
发布时间：
Google ResearchAI 评分5858 Google Research 发布 Diffusion Controller：统一且简化的 AI 图像生成控制框架
Google Research 提出了 Diffusion Controller 框架，将图像去噪过程建模为连续控制问题，通过引入轻量级“转向阻尼器”网络，在无需修改模型核心权重的情况下实现对图像生成的精准调控。该方法在 Stable Diffusion v1.4 基准测试中表现优于 LoRA，且支持在推理阶段动态调整控制强度，适用于白盒及受限的灰盒模型环境。
发布时间：