There are the overall of paper with code for CV / AIGC / LLM / VLM.
https://github.com/Gojay001/paper-with-code-skills.
[Updating…]
Qwen-Image-Agent — Bridging the Context Gap in Real-World Image Generation
痛点：用户说「做张海报」往往缺细节——隐含意图、实时知识、历史对话。T2I 模型训练时吃「完整 prompt」，部署时吃「残缺 context」→ 作者称 Context Gap（用户 context ≠ 生成所需 context）。
InnoAds-Composer — Efficient Condition Composition for E-Commerce Poster Generation
任务：电商海报 = 一张图里同时摆对商品主体、促销文案、背景风格。多阶段 pipeline（先合成场景再贴字）常出现主体走样、文字错字、风格不统一。
MoFu — Scale-Aware Modulation and Fourier Fusion for Multi-Subject Video Generation
任务：多主体视频生成——给定文本 + 多张参考图，生成多主体一致、尺度自然的视频。
Lay2Story — Extending Diffusion Transformers for Layout-Togglable Story Generation
Storytelling：用一组 prompt 生成多帧图，主角外观要一致。现有 training-free（改 cross-frame attention）和 training-based 都难精细控制位置、衣着、表情、姿势，且缺大规模带 layout 标注的数据。
Qihoo-T2X — An Efficient Proxy-Tokenized Diffusion Transformer for Text-to-Any-Task
问题：DiT 全局 self-attention 对视觉 token 是 $O(N^2)$，高分辨率图/长视频算不动；且 PixArt 注意力图显示同窗口内 token 对远处位置注意力几乎一样——大量全局注意力是冗余的。
Recent
Recent