Nano Banana 2.1 来了！21 个真实案例 + 公开提示词，这份 Awesome 合集请收好
开发者 @xianyu110 整理的开源合集 awesome-nano-banana-2.1 已收录 21 条 Nano Banana 2.1（API ID：gemini-nano-banana-2.1，Google Flow 内代号 beluga）案例，每条均要求封面图与作者公开提示词齐全，并提供可筛选、可搜索、一键复制提示词的在线画廊。
#图像生成
掘金AI 评分5050 掘金AI 评分2222 宝宝学识屋「学中文」栏目：AI 联想图 + 笔顺动画教孩子认字
宝宝学识屋上线「学中文」栏目，把每个汉字拆成发音、AI 联想图、笔顺动画与测试、AI 词组和成语音频来教。字库收录 2488 个字、两万四千多条成语，含「中」的成语有 173 个。支持按年级、笔画顺序、拼音三种学法，免费免注册，手机电脑均可打开。
arXiv cs.CVAI 评分2424 MT-cGAN：无需高分辨率形态学图像即可自动分割全膝关节软骨与半月板并可靠量化 T1ρ 和 T2
研究提出多任务条件生成对抗网络 MT-cGAN，可直接从 qMRI 回波图像合成类 DESS 图像并分割膝关节软骨与半月板。在 361 名受试者共 508 例膝关节 MRI 数据上，其平均 Dice 达 0.84，优于结合迁移学习的 SOTA 条件 GAN（0.82，p<0.001），T1ρ 与 T2 量化变异系数最低，分别为 1.84% 和 1.81%。
arXiv cs.CVAI 评分2020 LoDEOT：用低维高效偏移 token 从倾斜影像提取建筑轮廓
LoDEOT 用五维偏移 token 替代高维实例 token 来预测屋顶到轮廓偏移（RFO），在保留高维实例 token 做检测与分割的同时，将实例 token、浓度门控屋顶和框掩码证据映射为五维偏移 token，再经独立二维读出。在 BONAI 数据集上，其 FAP50 达 54.58、mEPE 为 5.23 像素，FAP50 比所评估的端到端基线高出 7.56-16.85 个百分点。
arXiv cs.CVAI 评分2222 SteadySplats：低方差高斯重采样实现高保真随机渲染
SteadySplats 通过基于历史的空间重采样与时间重要性重采样，在随机渲染中大幅加速图像收敛并保证相机运动下的连贯性；训练阶段的颜色正则项则隐式降低 3DGS 模型沿视线方向的方差。其基于 Vulkan 的渲染器在每像素 1 采样下较此前随机方法提升约 13 dB PSNR，并快速收敛至排序 3DGS，平均 L1 误差低于 10^-4。
arXiv cs.CVAI 评分2222 VolS-GS：基于体素次表面散射的可重光照 Gaussian Splatting 框架
VolS-GS 是一个可重光照的 Gaussian Splatting 框架，通过将高斯场景的空间支撑作为可微有限体积传输求解器的域，让光线在物体内部传播，从而建模次表面散射等非局部效应。该框架用小型网络为每个 Gaussian 预测散射与吸收系数，并在三个 OLAT 基准上持续提升新光照与新视角下的重光照质量。
arXiv cs.CVAI 评分2222 DiDE：面向 3D 风格化的颜色-纹理解耦直接注入框架
DiDE 是首个面向解耦式 3D 风格化（Disen3D）的免训练框架，可将颜色与纹理独立迁移到生成的 3D 资产上。它利用图像到 3D 模型潜空间中纹理仅占少量风格通道的特性，通过通道划分机制分别处理内容图、纹理参考和颜色参考，并在每个自注意力层无干扰地组合两种风格信号。
arXiv cs.CVAI 评分2424 TripleFlow：无需训练的视频对象移除，桥接残差编辑与原生生成
TripleFlow 是一个无需训练的视频对象移除框架，通过协调源流、残差流与合成流，将擦除与生成紧密耦合。它复用单次目标预测，由残差流抑制对象、合成流独立重建被遮挡背景，并在每一步将合成背景注入编辑轨迹。在五个基准上，TripleFlow 在重建保真度与时间一致性上均显著优于现有基线，达到新的 SOTA。
arXiv cs.CVAI 评分2222 MeshOctave：用顶点拆分重连级联实现原生网格生成
研究者提出 MeshOctave，通过二进空间网格分辨率定义尺度，将网格粗化视为体素单元内顶点合并的确定性坍缩，并用 split-and-rewire 逆操作逐面确定八分体子顶点与局部连接，无需序列化即可并行生成。该方法采用尺度条件掩码均匀离散扩散模型学习该操作，在几何保真度与拓扑有效性上大幅超越强基线，并支持自适应分辨率细化与网格细分任务。
arXiv cs.CVAI 评分1212 视网膜血管分割中的观察者选择与阈值选取：一项受试者分离评估
研究用 CHASE DB1 全部 28 张图像和两位人类标注，考察视网膜血管分割中阈值选择对评估结果的影响。固定七折协议保持 14 名受试者双眼同折，随机森林与 Extra Trees 对观察者 1 拟合三个随机种子共 42 次。
arXiv cs.CVAI 评分2222 从潜在分布视角评估与改进潜在生成模型
针对重建 FID（rFID）与生成 FID（gFID）相关性弱甚至为负的问题，研究者提出生成感知重建（GAR），通过向编码器 latent 加噪并经生成模型去噪，构建从重建到生成的连续轨迹。基于该轨迹的诊断指标 GAR-FID 在多种 tokenizer 和规模下与 gFID 强相关，且中间 GAR latent 保留与源图像的配对监督，可用于解码器适配，在不同模型规模上持续提升生成质量。
arXiv cs.CVAI 评分1313 Tree-VQ：用预训练向量量化器实现渐进式图像压缩
Tree-VQ 将预训练扁平 VQ 分词器事后转换为支持任意前缀的渐进式表示，保留原有编码器分配和全部学习到的叶向量。该方法把码本组织为平衡二叉层级，按深度优先顺序传输分支决策，使每个额外分支比特精确细化一个 token，传输可在几乎任意载荷位置截断。
arXiv cs.CVAI 评分1717 LEADer：局部认知不确定性引导的即插即用扩散图像修复主动采样框架
研究者提出局部认知不确定性引导主动采样框架 LEADer，用于扩散模型图像修复（DMIR）。该方法在空间域用逐像素不确定性动态调节零空间先验强度，在时间域用不确定性轨迹量化采样稳定性以实现自适应轨迹剪枝，理论证明其满足严格数据一致性且剪枝策略具有确定性误差界。LEADer 可即插即用地集成到多种 DMIR 基线，在提升多个 SOTA 方法性能的同时显著减少采样时间，内存开销可忽略，代码已开源。
arXiv cs.CVAI 评分2222 RefGC-SR²：AI 生成内容的参考引导超分辨率与精修
研究者提出新任务 RefGC-SR²，在生成后处理阶段复用用户提供的原始高分辨率参考图，同时恢复丢失细节、修正生成伪影并放大输出。为此构建了首个真实场景三元组数据生成流程，并训练出双联图条件生成器来合成配对低质锚点。所提出的频率感知扩散 Transformer 模型能选择性注入参考图细节并去除伪影，在身份保真与高分辨率细节恢复上均优于现有 RefGCR 和 RefSR 基线。
arXiv cs.CVAI 评分3131 SalArt-VQA：诊断 VLM 能否理解生成图像中的显著伪影
研究团队推出诊断基准 SalArt-VQA，包含 950 张图像和 3,681 道人工编写多选题，用于评估 VLM 对 AI 生成图像中显著伪影的细粒度理解。在 20 个 VLM 上测试发现，最强模型伪影检测召回率达 99.37%，但四类伪影问题全部答对的图像仅占 53.26%。该基准已入选 NeurIPS 2026 E&D Track（Oral）。
arXiv cs.CVAI 评分2323 研究：文本到图像模型对文本编码器的依赖比想象中更少
一项 arXiv 研究显示，基于扩散 Transformer 的文本到图像模型通常只依赖文本表示中两个简单方面：相邻 token 合并为词表示，以及由文本编码器位置嵌入刻画的词序。研究者构造了仅编码单词含义与顺序、不含完整提示词上下文信息的"位置标记词袋"嵌入，发现其引导生成的视觉质量与文本保真度与完整文本嵌入相当，说明复杂语言结构的解码实际由图像模型自身完成。
arXiv cs.CVAI 评分1818 基于标注保留扩散增强的夜间行人检测：Contrastive-SDXL 缓解光照域偏移
Contrastive-SDXL 是一个基于 SDXL-Turbo 并用 LoRA 微调的日转夜增强框架，用于夜间行人检测。它引入由 DINOv2 编码器引导的 patch-wise 语义对比损失和物体一致性损失，生成图像的 FID 为 22.5。用其合成图像训练的检测器相比仅用白天数据的基线漏检率降低 6-7%，接近真实夜间数据训练的效果。
arXiv cs.CVAI 评分1717 RetinaDiff：面向运动鲁棒视网膜时序激光散斑成像的物理信息条件扩散模型
研究者提出物理信息重建框架 RetinaDiff，用于视网膜时序激光散斑对比成像（tLSCI），仅需少量帧即可实现运动鲁棒重建。该方法先用相位相关配准稳定原始散斑序列，再以运动校正后的对比度先验引导条件扩散模型完成逆重建。
arXiv cs.CVAI 评分2424 MedVAR：面向多解剖区域医学图像生成的可扩展下一尺度自回归模型
MedVAR 是首个通过自回归训练实现全方位医学图像生成的基础模型，在 40 个数据集共 438,905 张切片上训练，覆盖 CT 和 MRI 的六个解剖区域，生成速度比 100 步扩散基线快 12-19 倍。生成质量随模型规模提升，用其生成图像预训练可将七中心肝细胞癌分割 Dice 从 0.615 提升至 0.632。
arXiv cs.CVAI 评分2222 REPA-G：用表征对齐视觉特征实现测试时条件控制
研究者提出 REPA-G（Representation-Aligned Guidance），一种在推理阶段利用自监督模型对齐表征进行条件控制的框架，无需额外训练即可引导扩散模型去噪过程。该方法支持从单 patch 匹配到全局图像特征 token 的多粒度控制，并可扩展至多概念组合，在 ImageNet 和 COCO 上生成高质量且多样的结果。
arXiv cs.CVAI 评分2424 InStyle：3D 形状的即时外观风格化
研究提出 GaussianBlender，一个前馈式文本驱动 3D 风格化框架，可在推理时即时完成编辑。该方法从空间分组的 3D Gaussian 中学习几何与外观解耦的隐空间，再用潜在扩散模型施加文本条件编辑。评估显示其风格化即时、高保真、保持几何且多视角一致，并超越需逐实例测试时优化的方法。
arXiv cs.CVAI 评分2222 用引导扩散模型分析 DNN 特征空间
研究者提出一种引导扩散模型解码器，可生成特征与用户指定特征高度匹配的图像，从而精确分析视觉 DNN 的特征空间。该方法无需训练即可分析不同 DNN，且可在单块商用 GPU 上运行，在 CLIP 图像编码器和 ResNet-50 上的实验验证了其有效性。代码与数据已公开。
arXiv cs.CVAI 评分3131 未学习扩散模型的可解释 token 线性几何：越狱攻击与防御
研究者发现，被遗忘的扩散模型概念会在 token 嵌入空间中留下可解释的线性残差，据此提出越狱攻击 SubAttack 与防御机制 SubDefense。
arXiv cs.CVAI 评分2222 面向扩散模型图像风格化的局部内容-风格控制
研究者将 ControlNet + IP-Adapter 风格化管线中两个全局条件权重提升为逐位置空间图，在单次生成中实现内容与风格的局部、分轴控制。由于两个权重作用于不相交通路，独立调节可覆盖从自由重生成到身份保持的 2x2 修图组合，且编辑被限制在指定区域。
arXiv cs.CVAI 评分2222 重新审视视觉溯源：直接视觉生成与 LLM 驱动代码渲染中的检测与水印
一篇概念性研究议程论文提出以生产为中心的框架，对比直接图像/视频生成与 LLM 写代码渲染两条路径下的检测与水印，并按生产阶段组织图像、视频、源码与渲染感知水印。框架区分被动推理、消息恢复与认证溯源，结合 Claude、OpenAI 及渲染工具接口提出十个研究问题，涵盖可识别性、可观测性、可恢复载荷、同步与合成等。论文共 46 页，不含实验，不主张新定理。
arXiv cs.CVAI 评分2424 UltraDiff：面向超声形状优化的可微光线追踪框架
UltraDiff 将可微渲染范式扩展到医学超声，把超声成像建模为以飞行时间门控的路径空间积分，并推导出前向模型及场景参数梯度的 Monte Carlo 估计器。该框架基于 Mitsuba 3 实现，在逆几何估计任务中从球体出发优化 SDF，可从模拟 B 超扫查和真实脊柱体模机器人采集中恢复椎体表面，无需预分割图像即可在 B 超图像上无监督完成，几何精度与当前最优方法相当。
arXiv cs.CVAI 评分2929 从单张图像构建罗马：Trellis 2 改造实现室内外场景 3D 重建
研究者提出一种方法，将 Trellis 2 等以物体为中心的 3D 生成器改造为可处理室内外场景的单图 3D 重建。方法通过按相机距离自适应分块、建立显式 2D-3D 对应关系，并合成约 4,000 个室外场景扩充训练数据。在 Tanks and Temples、ScanNet++ 及真实图像上，该方法在几何精度和感知质量上均优于所有基线。
arXiv cs.CVAI 评分2727 BASA：面向快速高分辨率视觉生成的后端无关稀疏注意力
研究者提出 BASA，一种后端无关的稀疏注意力机制，用移位局部窗口注意力替代视觉自注意力，通过跨 DiT 块的结构化窗口移位实现全局信息交换，消除窗口边界造成的网格状伪影。BASA 无需定制算子即可部署在现有注意力后端，在 FLUX 上实测加速超过理论估计的 90%，在 Wan 上实现 4.52 倍注意力加速，并保持有竞争力的生成质量。
arXiv cs.CVAI 评分1212 PDB：基于点的形变混合实现面部动画重定向
PDB（Point-Based Deformation Blending）是一种网格无关的面部动画重定向方法，从源中性表情对预测一组形变控制点，并从目标中性网格计算混合权重，权重每个目标只算一次、可跨帧复用。
arXiv cs.CVAI 评分2222 Forensic Reserve：激发预训练视觉模型潜在知识用于图像伪造检测
研究者提出 Reserve-Guided Elicitation（RGE）框架，将预训练模型中稀疏的、对来源敏感的内部组件视为“取证储备”，通过 Forensic Lens（F-lens）定位储备位点与方向，并仅在这些位点插入 Forensic Reserve Adapters（FRA）。
arXiv cs.CVAI 评分2222 基于基础模型引导扩散的 LiDAR 分辨率恢复
研究用预训练 Stable Diffusion 作为骨干，结合 2D 基础模型的伪深度目标微调 LiDAR 条件深度模型，训练时按不同 beam 预算随机抽稀 LiDAR 条件。在 nuScenes 上对物理留出的真实 beam 评估，4-beam 输入下 δ1.25 准确率达 66.8%，而散点插值仅 45.1%，稀疏场景优势最大。类别分层误差显示平面最先恢复，深度不连续物体最早退化。
arXiv cs.CVAI 评分2222 基于自适应神经细胞自动机的 2D 空间推理
研究者提出自适应神经细胞自动机（aNCA）架构，用可变形卷积动态调整感知野，在网格类数据上迭代推理 2D 空间关系。在公开基准上，该方法求解数独、迷宫最短路径等图像谜题取得 SOTA 且可理解的结果，并具备较强泛化能力。
arXiv cs.CVAI 评分1717 基于解剖感知隐式神经表示的可变形 CT-超声配准
研究提出一种可变形 CT-超声配准框架，利用 CT 的 HU 值近似组织刚度作为空间变化正则化，并结合探针接触区位移先验与扇形几何正则项，通过 SIREN 逐帧优化、以归一化梯度场（NGF）训练。该方法在刚性初始化基础上将配准精度提升 17%，优于经典可变形基线，且保持近乎零的拓扑折叠。
arXiv cs.CVAI 评分2222 从果蝇视觉连接组到通用计算机视觉：ConnectomeX 与 FlyVision 架构
研究者提出 ConnectomeX 与 FlyVision，一种保留 ON/OFF 并行处理、循环计算和群体图交互的可训练架构。
arXiv cs.CVAI 评分1212 UniCounting：面向无图像查询多类别计数的实例感知候选合并方法
UniCounting 提出固定词表、无需图像查询的多类别计数方法，仅输入 RGB 图像即可输出完整的类别—计数向量。它用冻结的 SAM 2.1 生成掩码、DINOv2 与 OpenCLIP 提供关系与类别特征，仅训练一个 3,267 参数的类别共享关系头预测同实例亲和度。
arXiv cs.CVAI 评分1313 PolarScale：面向辐射一致 RGB-to-Stokes 估计的物理基准
PolarScale 是一个将辐射尺度作为显式预测与评估目标的 RGB-to-Stokes 基准，基于现有三色全 Stokes 测量，要求模型预测归一化 Stokes 分量、AoLP/DoLP/DoCP 及每场景尺度。
arXiv cs.CVAI 评分1717 RACE-FPP：面向条纹投影轮廓术的鲁棒 AI 辅助标定增强方法
诺丁汉大学团队提出 RACE-FPP，将深度学习角点检测融入条纹投影轮廓术（FPP）标准标定流程，并显式分析定位误差在整条标定链中的传播。在干净与退化图像混合数据集上，相机重投影误差从 1.237 像素降至 0.259 像素，投影仪重投影误差降低约 50%，重建工件的几何精度也优于传统流程。
arXiv cs.CVAI 评分1515 View Matters：关键帧引导的文本驱动 3D Gaussian 编辑框架
View Matters 是一个视图重要性感知的文本驱动 3D Gaussian 编辑框架，通过关键帧重要性估计（KIE）识别可靠视图，再经关键帧引导编辑（KGE）将编辑信号非对称传播至非关键帧，并用重要性感知优化（IAO）在 3DGS 优化中保持该偏好。在 23 组场景-提示词对上，其平均 CLIP 文本-图像相似度达 0.2822、方向相似度达 0.2564，编辑耗时四分钟。
arXiv cs.CVAI 评分2222 用 CLIP、BiomedCLIP 与 DINOv2 等视觉基础模型做数据高效的心脏 MRI 重建
研究团队提出一种基于 Transformer 的重建框架，将冻结及参数高效微调的 CLIP、BiomedCLIP、DINOv2 视觉编码器用作心脏 MRI 加速重建的先验。
arXiv cs.CVAI 评分3636 PVD 相位速度蒸馏：用两个半尺寸专家实现快速高质量图像生成
研究提出相位速度蒸馏（PVD），将生成过程分为粗、细两个阶段，各用一个半尺寸专家模型建模平均速度，累计计算量仅相当于一次完整骨干前向。