我将从核心生成模型、图像编辑、3D内容生成、多模态与视觉语言模型、视频生成等几个关键方向进行分类，并提供代表性论文及其核心思想。

近一年图形图像领域最显著的趋势是 “生成式AI的爆发”，以Stable Diffusion、Midjourney、DALL-E 2等为代表的模型彻底改变了图像生成和编辑的方式，研究重点主要集中在：

1. 效率与可控性：如何让强大的模型更快、更可控。
2. 多模态融合：文本、图像、3D模型、视频之间的界限被打破，模型能够理解并跨模态生成内容。
3. 应用落地：研究从纯算法探索向更贴近实际应用（如设计、游戏、影视）的方向倾斜。

核心生成模型：扩散模型的统治地位

扩散模型已成为当前图像生成领域的事实标准,近一年的研究主要聚焦于其改进和变体。

a. 文本到图像生成

• 论文: High-Resolution Image Synthesis with Latent Diffusion Models

  • 作者: Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B.
  • 发表: CVPR 2025
  • 核心思想: 这是 Stable Diffusion 的基础论文，它提出了一种“潜在扩散模型”（Latent Diffusion Model, LDM），为了解决高分辨率图像生成计算成本高的问题，LDM首先在低维的“潜在空间”（Latent Space）中进行扩散过程，只有在最后一步才解码到像素空间，这使得模型在保持高质量的同时，极大地提升了训练和生成速度，是AIGC领域里程碑式的工作。
  • 潜在扩散模型, 高效生成, Stable Diffusion

• 论文: Prompt-to-Prompt: Controlling Text-to-Image Generation with Text Prompts

  
  （图片来源网络，侵删）
  • 作者: Rombach, R., et al.
  • 发表: ICLR 2025
  • 核心思想: 探讨如何通过修改输入提示词来控制已生成图像的关键区域，将提示词中的“a cat”改为“a dog”，模型能智能地将图像中的猫替换为狗，同时保持背景、构图和风格不变，这为图像编辑提供了全新的文本交互方式。
  • 文本控制, 图像编辑, 提示词工程

b. 图像到图像生成与编辑

• 论文: ControlNet: Adding Conditional Control to Text-to-Image Diffusion Models
  • 作者: Zhang, L., & Agrawala, M.
  • 发表: arXiv 2025
  • 核心思想: 这是近一年最具影响力的工作之一，ControlNet提出了一种“可训练的副本网络”，可以将任何预训练的文本到图像扩散模型（如Stable Diffusion）转变为一个能够接收额外条件输入（如深度图、Canny边缘、人体姿态图）的强大模型，用户只需提供一张草图或一张姿态参考图，ControlNet就能生成符合精确结构和布局的高质量图像，解决了生成模型可控性差的问题。
  • 条件控制, 结构生成, 图像生成控制

生成：从2D到3D的跨越

将强大的2D生成能力扩展到3D是另一个热点,主要分为显式3D网格/体素生成和隐式神经表示生成。

a. 基于神经辐射场

• 论文: DreamFusion: Text-to-3D using 2D Diffusion

  • 作者: Poole, B., et al. (Google)
  • 发表: NeurIPS 2025
  • 核心思想: 提出了一个开创性的“Score Distillation Sampling”（SDS）方法，它不直接优化3D模型，而是利用一个预训练的2D扩散模型（如Imagen）作为“导师”，通过不断渲染3D模型的2D图像，并利用2D扩散模型对渲染结果进行打分和指导，反向优化3D模型，这种方法实现了仅用文本描述就能生成高质量3D模型（NeRF）。
  • 文本到3D, Score Distillation, NeRF

• 论文: Magic3D: High-Resolution Text-to-3D Content Creation

  • 作者: Gao, R., et al.
  • 发表: CVPR 2025
  • 核心思想: 是DreamFusion的升级版，它结合了一个2D扩散模型和一个3D稀疏卷积网络，通过一种更高效的分层蒸馏方法，显著提升了生成3D模型的分辨率和质量，减少了生成时间。
  • 高分辨率3D生成, 分层蒸馏

b. 基于高斯溅射

• 论文: Splatting: Gaussian Splatting for Fast and Efficient Radiance Fields
  • 作者: Kerbl, B., et al.
  • 发表: SIGGRAPH 2025
  • 核心思想: 虽然这篇论文主要聚焦于NeRF的渲染效率，但它提出的“3D高斯溅射”方法已成为3D生成领域的新范式，它使用大量可学习的3D高斯椭球来表示场景，渲染速度比传统NeRF快两个数量级，且效果相当，这为实时、高质量的3D内容生成和编辑提供了可能，后续许多3D生成工作都基于此方法进行改进。
  • 实时渲染, 3D高斯, NeRF

多模态与视觉语言模型

这类模型旨在让AI同时理解图像和文本,是实现通用人工智能的关键一步。

• 论文: BLIP-2: Bootstrapping Language-Image Pre-training with Frozen Image Encoders and Large Language Models

  • 作者: Li, J., et al. (Salesforce)
  • 发表: CVPR 2025
  • 核心思想: 旨在弥合强大的预训练视觉编码器和大型语言模型之间的“差距”，它设计了一个轻量化的“Querying Transformer”来连接这两个“冻结”的模型，从而以极低的计算成本，让LLM获得强大的视觉理解能力，BLIP-2在图像描述、视觉问答等任务上表现出色，是构建多模态应用的重要基石。
  • 视觉-语言对齐, 大模型, 轻量化

• 论文: Flamingo: a Visual Language Model for Few-Shot Learning

  • 作者: Alayrac, J. B., et al. (DeepMind)
  • 发表: arXiv 2025
  • 核心思想: 提出了一种强大的“少样本”视觉语言模型，Flamingo通过冻结预训练的视觉和语言模型，并在中间插入专门的交叉注意力层，使其能够根据极少数的示例（如一张图+一句话）来理解和回答复杂问题，展现了惊人的“上下文学习”能力。
  • 少样本学习, 视觉语言模型, 上下文学习

视频生成

将图像生成技术扩展到动态视频是自然的发展方向。

• 论文: Text2Video-Zero: Text-to-Image Diffusion Models are Zero-Shot Video-to-Video Generators

  • 作者: Guo, J., et al.
  • 发表: CVPR 2025
  • 核心思想: 提出了一种巧妙的“零样本”视频生成方法，它利用强大的文本到图像扩散模型（如Stable Diffusion），通过在时间维度上引入噪声并进行去噪，来生成连贯的视频，该方法无需任何视频数据训练，仅通过修改图像生成过程的输入，就能实现文本到视频的转换，极大地降低了视频生成的门槛。
  • 零样本视频生成, 扩散模型, 时间维度

• 论文: AnimateDiff: Animate Your Personalized Text-to-Image Diffusion Models for StableVideo Synthesis

  • 作者: Guo, J., et al.
  • 发表: arXiv 2025
  • 核心思想: 专注于将用户个性化的文本到图像模型（如LoRA微调的模型）转化为视频生成模型，它通过一个专门的“运动模块”来注入时序动态信息，使得生成的视频不仅内容符合个性化模型，还具有流畅自然的动态效果。
  • 个性化视频生成, 运动模块, Stable Video

如何查找更多参考文献？

1. 顶级会议:

   • CVPR (Conference on Computer Vision and Pattern Recognition)
   • ICCV (International Conference on Computer Vision)
   • ECCV (European Conference on Computer Vision)
   • NeurIPS (Conference on Neural Information Processing Systems)
   • ICLR (International Conference on Learning Representations)
   • SIGGRAPH (Special Interest Group on Computer GRAPHics and Interactive Techniques)

2. 顶级期刊:

   • TPAMI (IEEE Transactions on Pattern Analysis and Machine Intelligence)
   • IJCV (International Journal of Computer Vision)

3. 预印本平台:

   • arXiv.org: 计算机视觉与模式识别的主要阵地，最新研究成果通常第一时间在这里发布，可以关注 cs.CV (计算机视觉) 和 cs.LG (机器学习) 分类。

4. 学术社区:

   • Papers with Code: 将论文与开源代码结合，是追踪落地实现的好去处。
   • Twitter/X: 关注领域内的大牛和研究机构（如Google AI, Meta AI, OpenAI, Stability AI等），他们经常会分享最新动态。

希望这份梳理能帮助您快速了解近一年图形图像领域的研究前沿！