生成模型·general

生成模型

别名
首次出现
2026-05-22
最近出现
2026-06-09
累计提及
12
§ 01综述

扩散模型仍是生成模型领域的研究热点,近期工作聚焦于改善其采样效率、适用场景和理论基础。

  • 在加速推理方面,多种方法涌现:Dual-Rate Diffusion 通过交错轻重网络降低计算成本;FLDD 提出可学习加噪过程以实现少步生成;PVMC 则针对深度状态空间模型训练加速10倍。
  • 新应用场景持续拓展:RiskFlow 用于安全关键交通场景的快速生成;SDPM 将扩散模型引入连续时间生存分析;Drifting Models 在流体模拟中比传统扩散模型快两个数量级。
  • 理论创新方面:PTL-Diffusion 改进流形感知扩散,引入周期终端分布;对比分布匹配 用摊销序贯蒙特卡洛方法提升离散扩散效果;综述 系统回顾了生成模型在逆向材料设计中的多模态应用。
  • 此外,模型崩溃 研究揭示了结构化交互学习中生成模型退化的条件,为训练稳定性提供警示。
  • 当前焦点从提升样本质量和推理速度,转向探索扩散模型在科学计算(流体、材料、医疗)中的可靠性和可解释性。未来需关注模型崩溃的应对策略,以及如何将离散与连续扩散方法的优势结合。

    § 02相关报道10 条在档
    1. 01
      PTL-Diffusion:用周期终端分布改进流形感知扩散
      arXiv cs.AI
    2. 02
      Drifting Models 加速流体模拟:比扩散模型快两个数量级
      arXiv cs.LG
    3. 03
      RiskFlow:快速且保真的安全关键交通场景生成
      arXiv cs.AI
    4. 04
      生成模型与多模态学习在逆向材料设计中的综述
      arXiv cs.LG
    5. 05
      对比分布匹配:离散扩散中的摊销序贯蒙特卡洛方法
      AK
    6. 06
      SDPM:扩散模型用于连续时间生存分析
      arXiv cs.AI
    7. 07
      PVMC:10倍加速深度状态空间模型训练的新方法
      arXiv cs.AI
    8. 08
      模型崩溃何时发生?结构化交互学习中的条件
      arXiv cs.LG
    9. 09
      FLDD:可学习加噪过程的离散扩散模型,实现少步生成
      arXiv cs.LG
    10. 10
      Dual-Rate Diffusion:交错轻重网络加速扩散模型推理
      arXiv cs.LG
    § 03邻近话题

    本页综述由 AITOP 基于公开报道整理。原报道版权归各自来源所有。

    /topic/%E7%94%9F%E6%88%90%E6%A8%A1%E5%9E%8B