AITOP

扩散模型

共 102 条相关 AI 资讯
6月11日
02:55
02:00
01:49
01:33
00:33
6月10日
12:33
12:33官方账号arXiv cs.AI@Yihao Zhao, Xuan Han, Bin He, Mingyu You
精选
针对商品展示图像生成中，前景条件外绘（FCO）方法常出现伪影（即合成背景中与前景实例语义相同的区域）的问题，本文提出CCE-Diffusion框架。其核心是CCE-Module，通过定制概念嵌入来弥合通用名词语义与特定视觉实例之间的差距，并引入实例感知损失和语义保持提示模板来优化。实验表明，该方法显著减少了伪影，提升了图像质量。CCE-Module作为即插即用组件，可集成到多种FCO方法中，为电商等场景提供低成本高质量背景生成方案。
论文图像生成外绘概念嵌入扩散模型电商应用
推荐理由：电商和广告设计团队终于有了解决外绘伪影的实用方案——CCE-Diffusion能直接减少背景中与产品重复的语义区域，让产品更突出。做图像生成或商品展示的开发者可以试试集成这个即插即用模块。
原文
6月9日
13:08
13:08官方账号arXiv cs.AI@Danqi Zhuang, Jisui Huang, Xiaoyue Xi, Andrew Kiggins, Xiaojie Wang, Ke Chen, Yue Wu
标准扩散模型通常使用单一高斯分布作为终端参考分布，这难以捕捉数据在低维流形上的结构。PTL-Diffusion 提出一种新的前向噪声过程，其终端分布不再是单一不变分布，而是一族周期性的高斯分布，从而将相位结构直接嵌入前向动力学。该方法推导了封闭形式的前向边缘分布、周期高斯终端族和显式高斯反向后验，并引入不变平均正则化项来耦合相位条件反向动力学。在环面、圆柱点云和 Olivetti 人脸数据集上的实验表明，PTL-Diffusion 在流形级别的分布匹配上优于标准 DDPM，减少了相位条件误差、特征空间协方差误差和最近邻流形距离。这项工作为结构化终端参考分布提供了有前景的方向。
论文扩散模型流形学习周期终端分布生成模型PTL-Diffusion
推荐理由：做生成模型的研究者会发现，PTL-Diffusion 用周期终端分布解决了流形结构丢失的痛点，在低维流形数据上效果明显，值得在点云或人脸生成任务上试试。
原文
11:49
11:49官方账号arXiv cs.AI@Mateo Diaz-Bone, Daniel Caraballo, Florian Scheidegger, Thomas Frick, Mattia Rigotti, Andrea Bartezzaghi, Roy Assaf, Niccolo Avogaro, Yagmur G. Cinar, Brown Ebouky, Filip M. Janicki, Piotr S. Kluska, Cezary Skura, Cristiano Malossi
精选
现有异常检测方法在 MVTec 等标准数据集上表现完美，但在真实场景中因物体尺度、视角、背景、光照等变化而失效。该研究提出三项创新：视觉提示管道通过前景-背景掩码隔离物体；在师生模型中解冻教师以提升领域适应性；利用扩散生成合成图像增强数据。基于 Masked Multiscale Reconstruction (MMR) 骨干，该方法在挑战性数据集 AeBAD 上比之前最优方法提升 3.5 个百分点。
论文异常检测视觉提示双教师监督扩散模型AeBAD
推荐理由：做工业视觉异常检测的团队终于有了应对真实场景变化的方案——视觉提示和双教师监督直接解决了传统方法对背景、视角敏感的痛点，值得在产线上试跑。
原文
6月6日
07:51
07:51官方账号NVIDIA AI@NVIDIAAI
72°
NVIDIA Research 的 PixelDiT（像素扩散 Transformer）入选 CVPR2026 最佳论文候选。传统图像生成模型依赖预训练自编码器压缩图像后再进行扩散，导致质量损失累积。PixelDiT 完全移除这一步骤，直接在像素空间进行端到端扩散学习，是一种单阶段模型。该方法避免了压缩带来的信息丢失，有望提升生成图像的保真度和细节表现。这一创新为图像生成领域提供了新的技术路径。
论文图像生成扩散模型PixelDiTNVIDIACVPR
推荐理由：NVIDIA 的 PixelDiT 解决了传统扩散模型因预训练编码器压缩导致的质量损失问题，做图像生成的研究者和开发者值得关注——它可能改变现有生成流程的底层设计。
原文
6月4日
11:05
11:05官方账号arXiv cs.LG@Lixing Zhang, Yidong Ouyang, Weifu Li, Shixiang Zhu, Guang Cheng, Liyan Xie
传统缺失值填补方法假设所有缺失都是随机且应被恢复，但现实中缺失可能来自两种不同来源：有意义缺失（数据本身不存在）和观测缺失（应被填补）。研究者提出Diff-Joint，一个基于扩散的框架，联合建模表格数据与潜在缺失掩码，通过条件采样和不确定性感知聚合迭代优化填补值与缺失标签。实验表明，该方法能有效识别有意义缺失，同时保持竞争性填补精度并提升下游任务性能。
论文缺失值填补扩散模型不确定性感知表格数据Diff-Joint
推荐理由：处理表格数据的团队终于有了区分“不该填”和“该填”缺失值的工具——Diff-Joint解决了传统填补方法盲目恢复所有缺失的痛点，做数据清洗或医疗、金融等缺失值有语义含义的开发者可以直接试。
原文
10:47
6月3日
16:51
16:51向阳乔木@vista8
Laten Space 访谈了 Ethan He，分享了一系列关于 AI 模型训练与交互的深刻观点。他指出模型进步速度取决于团队迭代速度，质量提升更多来自修数据和训练流程中的 bug 而非新算法。视频模型训练需要极其详细的文本标注，GPT Image 生成图片时大部分时间在思考重写提示词。他还认为扩散模型将成为人机交互的前端层，在脑机接口普及前，最自然的交互方式是用户说话、AI 用生成式画面回应。
行业模型训练迭代速度GPT Image扩散模型人机交互
推荐理由：Ethan He 把模型训练和交互设计的底层逻辑讲透了，做模型训练或产品设计的开发者看完会有启发，特别是关于迭代速度和交互未来的观点值得反复琢磨。
原文
10:36
10:36官方账号arXiv cs.LG@Mengdi Chu, Jiaxin Yang, Angus G. Forbes, Nathan Debardeleben, Earl Lawrence, Ayan Biswas, Han-Wei Shen
科学数据分析中，现有机器学习方法多提供确定性前向预测，忽略多种可能结果且不支持反向推理。该研究提出 DiffUNet^2，一种条件扩散模型，支持时间维度上的双向任意生成，捕捉系统演化的概率分布。结合交互式可视化系统，科学家可探索分支时间线、编辑状态并导航概率空间，主动验证假设。在5个跨学科数据集上验证了预测准确性和概率集成质量。该框架将生成模型转化为假设驱动的科学分析工具。
论文扩散模型科学数据时序建模交互式可视化概率生成
推荐理由：做科学数据分析和时序建模的团队，终于有了能双向推理、探索多种可能性的工具，比传统确定性预测灵活太多，建议做地球科学或生物物理的开发者点开看看。
原文
6月2日
12:19
12:19官方一手arXiv: OpenAI@Hikmet Simsir, Ozgur S. Oguz
精选
论文提出 Lagrangian Perturbation Diffusion Steering (LP-DS)，一种轻量级方法，通过优化冻结生成式策略的噪声空间扰动来提升性能，无需更新大型动作解码器。LP-DS 使用拉格朗日信任域目标，在提升下游价值的同时约束与潜在先验的偏差。在 RoboMimic、OpenAI Gym 和 Adroit 等基准测试中，LP-DS 在样本效率、成功率和回报上均有提升，回报比先前基线提高最多 25%。该方法还适用于流匹配骨干、大型视觉-语言-动作模型，并在真实 Franka 机器人上验证了有效性。
论文扩散模型强化学习机器人操控策略微调信任域优化
推荐理由：做机器人操控或强化学习的团队，终于有了一个不更新大模型也能微调扩散策略的轻量方案——LP-DS 在保持动作多样性的同时提升回报，建议试试看能否解决你的分布偏移问题。
原文
12:10
12:10Latent.Space@latentspacepod
精选
Ethan He 在 Latent Space 播客中分享了对视频生成、世界模型、LLM、智能体和持续学习的看法。他认为视频模型的大部分智能来自语言而非视频数据，idea-to-code 的速度已经很快，瓶颈在于计算资源。他强调迭代速度在模型开发中几乎压倒一切，下一个飞跃将是视频智能体而非更好的视频模型。他还预测扩散模型将成为 AGI 的前端，LLM 作为后端，生成式 UI 将取代 HTML/CSS，物理具身可能成为强大 AI 的工具。
AI模型视频生成世界模型智能体扩散模型LLM
推荐理由：Ethan He 对 AI 前沿的预判直击要害，做视频生成、智能体或世界模型的开发者看完会有启发——尤其是关于迭代速度和智能体方向的洞察，值得点开细品。
原文
11:11
11:11官方账号arXiv cs.AI@Jingyun Liang, Min Wei, Shikai Li, Yizeng Han, Hangjie Yuan, Lei Sun, Weihua Chen, Fan Wang
该研究提出一种无需渲染的框架，通过将3D人体网格压缩为token，直接输入DiT架构的视频扩散模型，实现精确的人体运动控制。相比依赖2D渲染引导的现有方法，该方法避免了视角依赖伪影和轨迹-姿态不匹配问题。实验表明，该框架在人体运动控制基准上表现优异，证明视频扩散模型通过网格token化能更好地理解3D结构。这项工作为3D感知视频生成提供了新思路。
论文视频生成3D人体运动控制网格token化扩散模型DiT架构
推荐理由：做视频生成或3D人体动画的团队终于有了不依赖渲染的精准控制方案——直接压缩3D网格token，避免2D引导的伪影问题，建议做运动控制或虚拟人应用的开发者点开看看。
原文
6月1日
10:36
10:36官方账号arXiv cs.AI@Qing Wang, Jacob Devasier, Chengkai Li
本文首次系统研究了掩码扩散语言模型（MDLM）在图到文本生成中的解码轨迹，发现MDLM会优先解码实体，然后是关系词和功能词，最后才是结构词，这与自回归模型的线性生成方式不同。研究还发现监督微调（SFT）会破坏这一策略，过早固定结构词导致输出长度固定，引发信息遗漏或幻觉。为此，作者提出了一种无需训练的推理时修改方法——lambda缩放结构解码，将BLEU-4提升9.4分。最后，他们提出了Graph-LLaDA，将图Transformer编码器集成到LLaDA的解码过程中，显式利用关系图结构。跨数据集评估表明，基于LLM和MDLM的方法泛化能力显著优于传统基线。
论文扩散模型图到文本生成解码轨迹Graph-LLaDASFT
推荐理由：这篇论文揭示了扩散模型在图到文本任务中的独特解码机制，做结构化文本生成或知识图谱相关工作的开发者值得关注，尤其是SFT反而有害的发现可能改变你的微调策略。
原文
10:31
10:31官方账号arXiv cs.AI@Ruotong Liao, Guowen Huang, Qing Cheng, Guangyao Zhai, Lei Zhang, Xun Xiao, Thomas Seidl, Daniel Cremers, Volker Tresp
TunerDiT 提出了一种无需额外训练的多事件视频生成方法，通过分析扩散变换器（DiT）的去噪轨迹，发现文本条件从全局布局到细节的转变点。该方法包含两个关键组件：事件分区掩码（强制事件边界并允许过渡带）和跨事件提示融合（注入相邻事件语义进行后期细化）。在自建的多事件基准测试 Meve 上，TunerDiT 在 8 个指标上达到最优，并能在视频一致性和事件分离之间进行可调权衡。随着事件数量增加，文本对齐性能提升，显示出扩展潜力。
论文扩散模型视频生成多事件生成DiT无需训练
推荐理由：做视频生成的研究者或开发者，如果被长视频多事件生成的一致性困扰，TunerDiT 的零训练方案直接可用，值得关注其事件边界控制与提示融合的设计。
原文
10:27
10:27官方账号arXiv cs.LG@Daniel Peñaherrera, Rishal Aggarwal, David Ryan Koes
计算化学中高效采样分子玻尔兹曼分布是一个长期挑战。传统方法计算成本高，而基于扩散模型的退火采样方法需要计算分数场的散度来估计重要性权重，对于大分子系统不可行。本文提出可扩展推理时退火（SITA），通过能量模型提供快速替代似然，重新训练流模型以逐步在更低温度下生成样本。在丙氨酸二肽和三肽上取得最先进性能，且避免了昂贵的散度项。代码已开源。
论文分子模拟扩散模型退火采样能量模型开源/仓库
推荐理由：SITA 解决了大分子系统退火采样中散度计算不可行的痛点，做计算化学和分子模拟的团队可以直接用开源代码复现，值得关注。
原文
10:08
5月29日
12:12
12:12官方账号arXiv cs.LG@Benjamin A. Burns, Sara Fridovich-Keil
本文从有限样本视角系统分析了扩散模型在后验采样中的失败机制。研究发现，现有方法在中间时间步对似然函数进行近似时，会系统性地高估或低估后验分布的扩散程度，导致对早期停止时间敏感、后验模式权重不准确以及产生幻觉（包括先验中不存在但后验中出现的模式，以及似然中不受先验支持的模式）。这些错误无需非线性测量模型或多模态后验，仅由多模态先验和中间采样时的不准确后验扩散即可引发。作者提出的有限样本后验采样方法可兼容任何似然近似和正向模型，作为诊断工具评估现有及未来后验采样器的准确性和失败模式。
论文扩散模型后验采样有限样本分析图像逆问题失败模式诊断
推荐理由：做图像逆问题或扩散模型后验采样的研究者，这篇论文直接戳中了现有方法“好用但说不清为什么失败”的痛点——有限样本视角给出了可落地的诊断工具，建议点开看看你的采样器是否也在犯这些错误。
原文
5月28日
19:58
19:58rohanpaul_ai@rohanpaul_ai
研究发现图像扩散Transformer训练效率低下的根源在于残差连接，而非注意力或编码器。残差连接导致信号膨胀、梯度消失和特征冗余，尤其不适合扩散模型这种多步去噪任务。作者提出扩散自适应路由（Diffusion-Adaptive Routing），让每层根据去噪时间步动态选择前层输出，从而在相同图像质量下减少8.75倍训练迭代。该工作没有引入新数据集或注意力机制，而是质疑了从语言Transformer继承的残差结构。
论文扩散模型Transformer残差连接训练加速DiT
推荐理由：扩散模型研究者终于找到了训练瓶颈的隐藏位置——残差连接，8.75倍加速意味着更低的训练成本，做图像生成的团队值得关注这个新路由方案。
原文
12:02
12:02官方账号arXiv cs.LG@Jiawei Zhang, Ziyuan Liu, Leon Yan, Zhenyu Xiao, Yuantao Gu
该论文提出了一种名为MAP-RPS的阶段式框架，用于在扩散模型的零样本逆问题求解中实现失真-感知（D-P）权衡的灵活遍历。该方法先通过MAP估计阶段近似MMSE解，提供低失真初始化，再通过重噪后验采样阶段逐步提升感知质量。理论分析验证了设计的有效性，并扩展至潜在空间（LMAP-RPS），利用大规模预训练潜在扩散骨干。实验表明，该方法在多种任务上实现了更有效的D-P遍历，并作为高效求解器表现出色。
论文扩散模型零样本逆问题失真-感知权衡MAP-RPS潜在空间
推荐理由：对于从事图像恢复、超分辨率等逆问题的研究者，MAP-RPS提供了一种无需重新训练即可在推理时灵活调节失真与感知质量的方法，值得尝试。
原文
08:59
08:59官方一手marktechpost@Asif Razzaq
精选
Sakana AI 提出 DiffusionBlocks 框架，将残差网络中的每一层更新解释为逆向扩散去噪步骤，从而将网络分解为多个独立可训练的块。这种方法允许每个块单独训练，无需端到端反向传播，降低了训练复杂度和内存需求。实验表明，DiffusionBlocks 在图像生成任务上达到与标准残差网络相当的性能，同时训练效率更高。该工作为扩散模型与残差网络的结合提供了新思路，有望推动大规模模型的分布式训练。
论文扩散模型残差网络块式训练Sakana AI图像生成
推荐理由：Sakana AI 这个框架解决了残差网络训练中梯度回传的瓶颈，做大规模生成模型或分布式训练的团队值得关注——它让每个模块可以独立优化，直接降低显存和通信开销。
原文
5月27日
10:53
10:53官方账号arXiv cs.LG@Sridhar Mahadevan
精选
本文提出 Kan Extension Transformers (KETs)，一个基于范畴论的统一框架，将多种 Transformer 变体（标准注意力、几何 Transformer、扩散模型）视为加权结构化扩展算子的特例。KET 将注意力推广到高阶单纯形邻域，并揭示了与扩散式补全的桥梁。当扩展算子作用于分离的预测载体而非教师强制隐状态时，形成一种有效的自条件化机制，在不泄露未来 token 的情况下暴露非因果结构。在 Penn Treebank、WikiText-2 和 WikiText-103 上的 12 种 Transformer 变体实验中，严格因果设置下二次 KET 在 WikiText-2 和 WikiText-103 上表现最强；但最大收益来自 predict-detach 机制而非邻域族变化。
论文Transformer范畴论自条件化扩散模型注意力机制
推荐理由：这篇论文用范畴论统一了注意力、扩散和自条件化，做 Transformer 架构研究的开发者会看到新的理论视角；predict-detach 机制带来的收益比改邻域更大，值得关注。
原文
10:49
10:49官方账号arXiv cs.LG@Nithesh Chandher Karthikeyan, Jonas Unger, Gabriel Eilertsen
精选
本文提出一种基于预训练自监督模型表示的条件扩散模型，用于可控图像生成。传统方法依赖文本提示或语义图等条件机制，需要大量标注数据。该工作通过自监督表示作为条件，不仅提升了无条件图像生成的质量，还提供了一个可操控的表示空间。研究者通过识别变化方向探索该条件空间，展示了平滑性和解耦性等有前景的特性。这项工作为减少对标注数据的依赖、实现更灵活的图像生成控制提供了新思路。
论文扩散模型可控图像生成自监督学习表示条件解耦控制
推荐理由：做图像生成和编辑的研究者可以关注——自监督表示条件化方法有望减少对标注数据的依赖，且提供更平滑、解耦的控制空间，值得深入探索。
原文
07:22
5月26日
12:23
12:23官方账号arXiv cs.LG@Ali Rouzbayani, Bidhan Roy, Marcos Villagra, Zhiying Jiang
精选72°
巴黎 2.0 是首个通过去中心化计算预训练的视频生成模型，解决了去中心化训练中时间连贯视频生成的难题。相比相同算力预算下的集中式模型，它在低分辨率文本到视频任务中将 FVD 从 561.04 降至 279.01，提升约 2 倍，同时提高了 CLIP 文本-视频相似度和美学评分。该模型基于巴黎 1.0 的去中心化扩散模型架构，无需单一 GPU 集群即可完成训练。这项工作证明了去中心化训练在视频生成领域的可行性，为降低大规模模型训练门槛提供了新路径。
论文视频生成去中心化训练扩散模型开源/仓库Paris 2.0
推荐理由：去中心化训练让视频生成模型不再依赖昂贵 GPU 集群，做视频生成或分布式训练的团队可以关注这个开源方案，直接降低算力成本。
原文
11:49
11:49官方账号arXiv cs.AI@Zixin Jessie Chen, Zhuo Chen, Archer Wang, Jeff Gore, William T. Freeman, Congyue Deng, Marin Soljačić
精选
SKILD 是一种新型扩散模型，通过利用图像和物理系统的尺度不变性，将图像生成和连续超分辨率统一在一个无条件的框架中。其前向过程从粗到细衰减图像内容并注入匹配频谱的高斯噪声，使尺度成为扩散的显式坐标。训练后的反向过程仅通过改变起始时间步即可同时执行生成和任意倍数的超分辨率，无需任务特定架构、条件分支或无分类器引导。在 CIFAR-10 上达到 FID 2.65 和 Inception Score 9.63，在 ImageNet 上实现 2 倍到 8 倍超分辨率，性能超越条件模型，并能重建关键伊辛模型的相关函数。
论文扩散模型超分辨率尺度不变性无条件生成SKILD
推荐理由：SKILD 用一个模型同时搞定生成和超分，省去了为不同尺度重复训练的麻烦，做图像生成或物理模拟的团队值得关注，直接省掉条件分支和重训练。
原文
11:44
11:44官方账号arXiv cs.AI@Shuhong Zheng, Aashish Kumar Misraa, Yu-Teng Li, Yu-Jhe Li, Igor Gilitschenski
主体驱动图像生成旨在根据文本指令生成保留给定主体身份的新图像。现有方法通常分别编码文本和参考图像，限制了跨模态推理能力并导致复制粘贴伪影。本文提出了一种新框架，通过将扩散模型与多模态大语言模型（MLLM）结合，并引入基于VAE的身份条件，实现了文本指令与身份保留的平衡。其中，双层级聚合（DLA）模块用于融合MLLM的多层特征，多阶段去噪策略在推理时逐步平衡语义信息与细节身份。实验表明，该方法在主体驱动图像生成中优于现有方法，有效缓解了复制粘贴问题，并更符合人类偏好。
论文多模态大语言模型主体驱动生成扩散模型身份保留图像生成
推荐理由：做图像生成或AI绘画的开发者，这篇论文解决了主体身份保留与文本指令跟随的长期矛盾，提出的DLA模块和多阶段去噪策略可以直接参考，值得点开看看具体实现。
原文
5月25日
11:16
11:16官方账号arXiv cs.AI@Aneesh Komanduri, Xintao Wu
精选
因果生成建模对于开发可靠、透明的AI系统至关重要，但现有方法通常需要在训练时集成因果约束，缺乏利用预训练基础模型零样本推理能力的统一框架。本文提出FM-CGM，一个模块化框架，通过概念提取器、概念操纵器和反事实生成器三个核心组件，实现端到端的视觉因果推理。该框架利用大型推理模型进行因果推断，结合文本到图像扩散模型进行生成，支持零样本因果发现、干预和反事实生成。同时，作者开发了因果语义引导（CSG）机制，确保语义干预传播到后代概念并保留不变区域。实验表明，该方法能识别合理的因果结构，并生成忠实的反事实图像。
论文因果生成建模基础模型零样本推理反事实生成扩散模型
推荐理由：因果推理是AI可靠性的关键，FM-CGM让零样本因果生成成为可能，做视觉生成或因果推理的研究者可以直接参考其框架设计。
原文
5月23日
09:53
09:53官方一手Hugging Face: Blog（博客/媒体）
精选
NVIDIA 发布了 Nemotron-Labs 扩散语言模型，该模型采用扩散机制替代传统的自回归生成方式，大幅提升文本生成速度，接近光速。与 GPT-4 等模型相比，Nemotron-Labs 在保持生成质量的同时，推理速度提升了一个数量级。该模型在多个基准测试中表现出色，尤其适合需要低延迟的实时应用场景。这一突破可能改变大语言模型的部署范式，让文本生成更接近实时交互。
AI模型扩散模型文本生成NVIDIA推理加速Nemotron-Labs
推荐理由：NVIDIA 的扩散语言模型将文本生成速度推向新高度，做实时对话或低延迟应用的开发者可以直接关注，它可能改变你对大模型推理速度的认知。
原文
5月22日
11:35
11:35官方账号arXiv cs.LG@Javad Parsa, Enis Simsar, Amir Joudaki, Thomas Hofmann, André M. H. Teixeira
精选
SeqLoRA 是一种针对文本到图像扩散模型的高效微调方法，解决了多概念组合生成中的表示干扰问题。现有模块化方法要么依赖昂贵的后处理融合，要么冻结适配子空间，限制了表达力和概念保真度。SeqLoRA 通过双层优化联合优化两个 LoRA 因子，并建立强收敛保证，从理论上证明学习 LoRA 基比固定基方法更有效减少干扰。实验显示，SeqLoRA 在多达 101 个概念上提升了身份保持和可扩展性，无需昂贵融合，减少了属性干扰。
论文LoRA多概念生成扩散模型持续学习双层优化
推荐理由：做多概念图像生成的团队终于有了一个兼顾保真度和可扩展性的方案——SeqLoRA 用双层优化解决了 LoRA 的干扰问题，支持上百个概念组合，做个性化扩散模型的开发者值得一试。
原文
11:30
11:30官方账号arXiv cs.LG@Samson Gourevitch, Yazid Janati, Dario Shariatian, Umut Simsekli, Eric Moulines, Eric P. Xing, Alain Durmus
精选
本文重新审视了均匀扩散模型（UDM）的训练与推理。研究发现，UDM 的标准参数化并未优化去噪后验，而是优化了一种留一法后验，即预测每个干净 token 时不使用其自身的噪声观测。作者推导了去噪器、留一法后验与分数之间的精确转换，从而分离了参数化与训练目标。基于留一法预测器，他们提出了无需额外训练即可改进推理的预测-校正采样器和温度采样方法。此外，还引入了一种吸收态重构，将 UDM 分解为类似掩码扩散的采样操作，简化了去噪后验。实验表明，留一法参数化持续提升 UDM 生成质量，吸收态构造则匹配或超越掩码扩散，暗示掩码与均匀扩散之间的经验差距更多源于参数化和采样设计，而非边际分布本身。
论文扩散模型Uniform Diffusion留一法去噪参数化改进吸收态重构
推荐理由：这篇论文揭示了均匀扩散模型长期被忽视的参数化问题，做离散扩散模型研究的开发者可以直接用留一法改进推理，无需重新训练。看完会对掩码 vs 均匀扩散的差距有全新理解。
原文
11:05
11:05官方账号arXiv cs.AI@Stanislav R. Kirpichenko, Andrei V. Konstantinov, Lev V. Utkin
精选
生存分析旨在从含删失数据中估计事件时间分布，但现有方法常对风险函数施加结构假设或离散化时间轴，限制了灵活性并引入近似误差。本文提出生存扩散概率模型（SDPM），一种基于去噪扩散模型的连续时间生存分析方法。SDPM 直接建模生存结果的条件分布，利用条件独立删失假设，通过生成样本结合 Kaplan-Meier 估计器得到生存函数，无需参数假设或时间离散化。在十个真实数据集上，SDPM 在 C-index、时间依赖 AUC 和 Brier 评分上达到与树模型、提升模型和神经网络模型相当的预测性能。合成数据实验表明，SDPM 能更准确地恢复底层连续生存分布的形状，消融研究验证了目标空间变换对事件率校准和预测区分度的提升。
论文生存分析扩散模型连续时间生成模型SDPM
推荐理由：生存分析是医学、可靠性工程等领域的核心问题，SDPM 用扩散模型绕过了传统方法的参数假设和离散化限制，做生存预测的团队可以直接用公开代码复现，值得关注。
原文
5月21日
11:11
11:11官方账号arXiv cs.AI@Riley Zilka, Sergey Khlynovskiy, Allie Wang, Martin Jagersand
精选
HITL-D 是一种结合人类操作与扩散模型的新型共享控制框架，专门针对多步骤、插入和精细操作任务。它通过场景点云和末端执行器笛卡尔位置，自主更新末端执行器方向，减少操纵杆控制轴数，降低操作者认知负荷。12 人用户研究表明，相比传统遥操作，HITL-D 将任务完成时间平均缩短 40%，感知工作负荷降低 37%，并在独立性、直观性和信心等主观评分上显著提升。该工作首次将扩散策略引入人机共享控制，为复杂操作任务的人机协作提供了新范式。
论文扩散模型人机协同共享控制遥操作机器人操作
推荐理由：做机器人遥操作或人机协作研究的团队，HITL-D 用扩散模型把操作者的认知负担砍掉近四成，值得在精细操作场景里试试。
原文
10:57
10:57官方账号arXiv cs.AI@Jesse Bettencourt, Xindi Wu, Matan Atzmon, James Lucas, Jonathan Lorraine
精选
预训练扩散模型常作为冻结教师模型用于下游任务（如文本到 3D、单步蒸馏、数据归因），但这些任务依赖蒙特卡洛期望估计梯度，方差大且计算成本高。本文提出 CARV 框架，通过分层蒙特卡洛估计器，在扩散噪声重采样上摊销昂贵上游计算，结合时间步重要性采样和分层逆 CDF 构造，有效降低方差。在文本到 3D 蒸馏和归因实验中，CARV 实现 2-3 倍有效计算加速，且不改变目标函数；在单步蒸馏中方差降低一个数量级，但下游 FID 无改善，表明此时方差已非瓶颈。该工作为扩散模型下游应用提供了高效方差缩减方案。
论文扩散模型方差缩减蒙特卡洛估计文本到 3D蒸馏
推荐理由：做扩散模型下游应用（如文本到 3D、蒸馏）的团队，如果被梯度方差和计算成本困扰，CARV 的 2-3 倍加速值得直接尝试。
原文
10:22
10:22官方账号arXiv cs.LG@Kesong Li, Yixuan Xu, Kuo-kun Tseng, Weiyi Lu, Kan Liu, Tao Lan
精选
Linear-DPO 提出了一种新的直接偏好优化（DPO）方法，解决了现有 DPO 在文本到图像生成中的两大问题：仅适用于扩散模型而忽略流匹配，以及离散 NLP 的 DPO 目标与回归生成任务不匹配。论文通过统一的逆向 SDE 框架推导出覆盖扩散和流匹配的广义 DPO 目标，并从梯度角度指出标准 DPO 目标次优。Linear-DPO 用持续线性效用函数替代激进的 sigmoid 函数，并引入 EMA 更新的参考模型。在扩散模型（SD1.5、SDXL）和流匹配模型（SD3-Medium）上的实验表明，该方法优于现有基线。
论文DPO扩散模型流匹配文本到图像生成偏好优化
推荐理由：做文本到图像生成的团队终于有了更稳定的对齐方法——Linear-DPO 统一了扩散和流匹配，解决了 DPO 在生成任务中的目标不匹配问题，做图像生成微调的建议试试。
原文
5月20日
11:37
11:37官方账号arXiv cs.LG@Parsa Esmati, Junha Hyung, Amirhossein Dadashzadeh, Jaegul Choo, Majid Mirmehdi
精选
扩散和流生成模型依赖引导机制对齐样本与用户输入，但现有方法如无分类器引导（CFG）是启发式的速度/分数线性组合，忽略生成流形几何，导致概率不守恒，强引导下样本偏离流形。研究者通过连续性方程分析引导，将其分解为散度项和分数平行项，并证明散度项在接近数据流形时结构性地发散。基于此提出自适应流形引导（AdaMaG），通过时间依赖调度和分数平行衰减同时约束两项，无需额外推理成本。实验表明，AdaMaG在图像生成基准上提升真实感、减少幻觉，并在高引导强度下实现受控去饱和。
论文扩散模型流生成模型引导机制概率守恒AdaMaG
推荐理由：做图像生成的开发者终于有了理论扎实的引导方法——AdaMaG解决了CFG强引导下样本失真和幻觉问题，直接提升生成质量，建议做扩散模型的团队试试。
原文
11:06
11:06官方账号arXiv cs.LG@Keanu Nichols, Divya Appapogu, Giscard Biamby, Dina Bashkirova, Anna Rohrbach, Bryan A. Plummer
精选
随着生成式 AI 的普及，图像篡改变得愈发容易，可能传播虚假信息。然而，现有研究缺乏针对不同视觉域中高级篡改的检测方法。为此，研究者提出了 AUDITS 基准，包含超过 53 万张来自用户和新闻照片的图像，利用扩散模型进行修复，支持对篡改类型、大小、质量及域迁移的多轴分析。实验评估了现有检测方法在不同域迁移下的鲁棒性，旨在推动更可靠、泛化的图像篡改检测研究。
论文图像篡改检测AUDITS 基准扩散模型域迁移视觉安全
推荐理由：图像篡改检测是 AI 安全的关键环节，AUDITS 为研究者提供了首个大规模多轴基准，做视觉取证或 AI 安全的人可以直接用它来评估和提升模型鲁棒性。
原文