DAR 通过跨层信息路由提升 Diffusion Transformer 训练效率
论文提出 Diffusion-Adaptive Routing (DAR) 替代传统残差连接,解决 DiT 跨层信息流动问题。 在 ImageNet 上,DAR 使 SiT-XL/2 的 FID 提升至 7.56,并以 8.75 倍更少的训练迭代达到基线质量。 该模块兼容 REPA 等增强方法,在蒸馏阶段保持高频细节,代码已开源。 ```
论文提出 Diffusion-Adaptive Routing (DAR) 替代传统残差连接,解决 DiT 跨层信息流动问题。 在 ImageNet 上,DAR 使 SiT-XL/2 的 FID 提升至 7.56,并以 8.75 倍更少的训练迭代达到基线质量。 该模块兼容 REPA 等增强方法,在蒸馏阶段保持高频细节,代码已开源。 ```
PALATE 框架通过全期望定律解决 FLD 计算瓶颈,结合 MMD 基线指标与 DINOv3 特征提取器,提供可扩展的深度生成模型评估。 该框架在保持或超越最先进方法性能的同时,显著提升计算效率,并有效检测样本记忆化及评估泛化能力。 源代码作为补充材料公开。
新基准 ABACUS 采用无裁判协议与全景真值验证,评估图像编辑模型在添加、移除及更换对象时的数值准确性。 该基准揭示了随着场景复杂度与对象数量增加,当前领先编辑模型在维持场景守恒下的计数错误显著加剧。
MoDDiT 通过独立路由 MLP 和 self-attention 操作,在 Diffusion Transformers 中实现动态计算分配。 模型从零开始训练时,MoDDiT 可仅处理 12.5% 的 tokens,从而显著降低计算成本。其分配过程具有可解释性,并能用于训练视频生成模型及蒸馏稠密双向模型。
审计显示 CUB-200-2011 基准中 Concept Bottleneck Models (CBMs) 的准确性主要源于内部嵌入而非概念分数,概念评分无法重构类别信息。
World2HOSI 提出一种多专家编排框架,利用 3D Gaussian Splatting 场景和自然语言指令生成连续的人-物-场景交互数据。 该框架通过编排现有专家模型,结合有界残差优化和接触驱动物理模拟,实现了超越单一模型能力的任务完成率与交互质量。
框架 CityPaint 利用 2D 扩散模型生成全局一致的城市级 3D 纹理,无需依赖城市级 3D 训练数据。 该框架集成几何先验与 top-K 相机烘焙策略,并提出解耦细化机制分别优化地形和建筑纹理。 实验显示其生成纹理具备局部细节,在视觉质量和跨视图一致性上表现优于强基线。
Less-is-More CIR 提出一个免训练的两阶段框架,结合简洁检索与批评家重排序,以提升零样本组合图像检索效果。 该框架首先生成仅保留判别性修改语义的简洁目标描述以减少噪声,第二阶段则通过修改一致性与参考保留度评估重排序候选结果。实验表明该框架具有有效性与鲁棒性,相关代码已公开。
HealBench 是一项包含 30,000 个图像-文本对的细粒度基准,涵盖 19 个类别。 评测揭示高语义对齐与美学并不保证心理舒适度,存在视觉质量与感知舒适度的差距。 Reinforcement learning 实验表明 HealScorer 可作为奖励信号以改进生成图像的情感与恢复性质量。
提出嵌入空间遗传算法 EmbGA,用于恢复文生图模型中提示词未提及的隐藏概念。 在两个基准测试中,EmbGA 实现了最高对齐度,能恢复更多基于自然图像的接地 token,且速度远快于语言模型引导搜索。
提出扩散模型新框架 Dancing Diffusion,通过为时间步分配专属条件块将条件生成转化为潜在程序。 该系统支持前缀复用与后续操作重写,在 SANA 上实验表明其背景保留优于原生提示切换,且生成质量优于原生 SANA。 该方法为扩散模型的结构化中间计算奠定基础,但后续分支会削弱编辑强度。
阿里云百炼发布 One Key MCP 服务,将联网搜索、图像生成、视频生成、语音识别、语音合成及网页解析六项能力收进同一平台,使用一个 API Key 即可统一调用。
SF-Mamba 通过辅助块交换编码双向信息流,并采用批折叠配合周期性状态重置以增强 GPU 并行度。 该模型在图像分类、目标检测及实例和语义分割任务中,均展现出优于 SOTA 基线的性能及吞吐量提升。 代码已开源,该工作已被 ICML2026 接收。
Arena-T2I Hard 是一个包含 310 条提示词的 T2I 忠实度基准,每条提示词分解为约 30 个 yes/no 约束,涵盖文本渲染等六类场景。 该基准显示最强闭源系统得分为 0.855,11 个系统间存在 33 个百分点的性能差距,且高 Arena 排名无法预测忠实度。
提出即插即用框架 SELECT,基于兄弟排他概念平衡目标概念抑制与语义保留,解决锚点选择导致的副作用问题。 在对象、名人、艺术家风格及 NSFW 擦除实验中,SELECT 相比固定通用锚点增强了目标抑制,并有效减少概念重新出现与语义侵蚀。
GeoEdit 框架通过对抗性证据消除保护地理隐私。在 LifePhotoBench 上,其性能优于视觉扰动基线 0.59 图像保真度。 该方法对高风险证据锚点应用最小编辑,结合结构化知识与对抗性地理线索,并采用可学习策略迭代优化编辑决策。
针对合成人脸数据中身份泄露评估存在的高分类器依赖性缺陷,研究团队提出非参数化指标 Scaled Overlap(SO)。 该指标通过多模型机制补偿误差,识别出 CemiFace 等数据集的泄露风险,并证实合成图像多源于混合身份而非单一身份。
论文提出RGDR方法,将反思转化为轨迹级采样动态的纠正干预,以缩小图像生成中的执行差距。 RGDR影响每个采样步骤,适配即时干预,并生成灵活候选者与参考值进行仲裁。 在匹配额外生成预算下,RGDR跨模型平均最终清单分数增益是TIR提示精炼的1.51倍、Dynamic CFG的1.81倍。
研究人员提出 SpinDoctor 方法,通过黑盒方式发现看似无偏的提示词,诱导文本到图像模型生成带有目标偏见的图像。 该方法在 304 次实验中成功引导 302 次生成偏向图像,两个开源模型的平均偏见改善分别为 34.8% 和 33.5%。 该提示词在不同模型间具有可迁移性,78.6% 的情况下在另一模型中仍能引发相同偏见,对用户构成潜在操纵风险。
论文提出一种超越显式意图表达的人机共创范式,旨在解决艺术意图模糊或潜在的问题。通过扩展模型探索,让艺术家观察、比较并选择视觉可能性,从而识别未言明的偏好。 该方法将艺术家的策展判断整合进强化学习,依据对生成轨迹的偏好分配不同学习强度,使模型逐步适应个人美学,形成“探索-识别-塑造-再探索”的循环。
WILSON 模型在无需任务特定训练的情况下,病例级宏F1分达到 0.52,超越了专用模型的 0.38,且计算量减少 400-1350 倍。 该视觉语言模型基于约 189,000 张切片和 838 种诊断实体训练,在图像-文本检索中召回率@1 达 75.6%,显著优于 PRISM。 紧凑的多尺度表征支持了高效且具备临床基础的病理分析。
提出一种训练框架,通过强制编码器与解码器学习一致的数据流形表示来解决几何不匹配问题,实现幂等生成。 实证表明该方法在图像生成和编辑任务中显著降低幂等误差,并比现有方法更稳定地重现相同输出,提升了身份保持和信息稳定性。
SelfBootTok 提出自举式图像分词方法,将信息分解为全局和局部 token 组,使生成器仅依赖全局 token,计算量减少约 40%。 该方法通过自监督学习局部表征,利用更多数据或参数优化,以 64 个 token 达成 gFID 1.56 的最先进结果。
研究者提出不确定性门控SHAP-Dirichlet优化方法,无需重训练即可提升结构MRI抑郁分类可靠性。 在504名受试者数据集上,该方法使TabM和ResNet分类器平均准确率分别提升1.04和0.45个百分点,且最多仅修正8.3%的预测。 通过保留75%的准确预测并转交50%低置信度案例给专家复核,验证了该方法在提升预测可靠性与促进专家分诊方面的实用价值。
KDiv通过因式分解权重并引入条件感知路由,解决了预训练中知识纠缠的问题,显著提升了下游任务适配效率。 该方法将随机初始化的权重分解为秩一“知识单元”,并在预训练期间将共享知识固定于“基因”、条件差异分配至“尾部”。 实验表明,KDiv在类条件、文本及图像生成任务中,性能匹敌或超越密集基线,且训练参数预算远低于低秩适配方法。
胸片弱监督定位的准确率受协议影响,位置空值实验显示 CAM 及梯度加权变体在 ChestX-ray14 和 CheXlocalize 上表现有限。 作者提出的 PACE 方法通过结合标签头身份与冻结主干空间证据,在探索性分析中提升了严格重叠准确率,但保真度最低且优势依赖方框规则。
EAGLE 提出一种基于信息论的熵感知框架,用于改进目标检测中的定位精度。该轻量级后训练模型头通过边缘细化和基于熵的局部化重评分,在 SOTA 检测框架上取得提升。在 MS COCO 数据集上,该方法带来 +0.9 mAP50-95 的性能增益,且推理开销极低。
研究团队提出 Halcyon 模型,证明无需互联网规模语言预训练即可实现强文本到图像生成。 Halcyon-0.52B 在 gFD 指标上以 48.0 优于 LlamaGen-XL/8 的 63.3,预训练计算量减少 18.2 倍;Halcyon-1.6B 以 35.3 gFD 超越 JiT-T2I-XXL/8++ 的 41.0,计算量减少 275 倍。
针对奖励微调扩散与流模型易引发模式崩溃和分布漂移的问题,研究提出分布功能奖励(DFR)方法。 DFR 通过凸泛函将基于期望奖励的 KL 正则化目标推广为分布依赖的逐样本奖励,直接对生成分布施加约束。 实验表明 DFR 在匹配 KL 基线峰值奖励的同时,多样性最高提升 29%。
BEM 提出通过双层优化学习 Bregman 散度,实现 Flow Matching 模型的精准概念擦除。 实验显示,BEM 将血腥暴力内容的不安全率从 53.9% 降至 14.4%,并降低裸露内容的 FID 值。 该方法在保留无关生成能力的同时,显著优于现有基准方法 GEM。
CANVAS 系统基于 Zapier 工作流,利用 Gemini 2.5 Flash、GPT-5 Mini 和 Claude 3.5 Haiku 为视障人士生成 50 幅艺术品的 150 条叙述音频,总成本仅 5.10 美元。
研究提出 LogicVal 基准,将文生图评估重构为约束满足问题,并在 CLEVR 数据集上通过结合视觉检测与逻辑推理,取得 0.88 至 0.98 的 ROC-AUC 分数,与人类判断高度一致。
CoatFusion 架构通过条件化扩散模型,结合 2D 反照率纹理和 PBR 参数实现可控材质涂层生成,其使用的 DataCoat110K 数据集包含 110K 张合成图像。 该模型在粗糙度、金属度、透明度和厚度参数下,生成效果优于现有材质迁移方法,并获用户研究认可。 相关研究已被 ACM Transactions on Graphics (SIGGRAPH Asia 2026) 接收。
在数据稀缺场景下,视觉定位框架 POBF 通过“框外修补”合成图像,并结合难度与过拟合分数筛选最优训练数据。 实验显示,POBF 相比仅使用真实数据的方法平均性能提升 5.83%,准确率领先主流基线 2.29%-3.85%。 该方法验证了在不同生成模型、数据规模及架构下的鲁棒性与泛化能力。
该编码器基于归一化流变换器,与视觉语言模型联合训练;JiT模型采用LILIE损失后,GPIC数据集上gFD从66.84降至53.01。 代码、编码器及生成模型已公开。
InverFill 提出一种针对图像修补的单步反转方法,通过将输入掩码图像的语义信息注入初始噪声,实现高保真的少步图像修补。 该方法无需训练专用的修补模型,直接利用少步文生图模型配合语义对齐噪声进行混合采样。 InverFill 在低函数评估次数下匹敌专用修补模型,且无需真实图像监督,仅增加极低的推理开销。
PanoDiff-SR 提出端到端两阶段管线,在单个 47GB GPU 上生成诊断分辨率($1024\times512$)牙科全景片。 扩散模型生成低分辨率种子后由 HAT 超分辨率放大,FID 为 40.5;临床专家区分真伪平均准确率 68.5%。 该管线缓解了 GAN 在医疗影像生成中常见的不稳定与模式崩塌局限。
ACEdit 引入非对称条件训练方案,解决多轮图像编辑中因分布偏移累积导致的质量退化问题,提升长序列稳定性。 核心机制包含 Self-Forcing 训练与蒸馏目标,学生模型基于自身先前输出顺序编辑,教师模型锚定原始清晰图像并提供复合编辑指令的监督信号。
ManiFusion 提出了一种骨干网络无关的框架,通过融合空间计算并行处理多样本扩散生成,以显著提升吞吐量。 该框架结合去噪骨干前后的融合与解耦,并引入轨迹融合调度(TFS)动态调整融合因子,兼容 U-Net 和 Transformer 架构。 ManiFusion 可与现有加速方法组合,在最小化质量下降的同时,达到先前方法无法实现的高吞吐性能。
VetoNet 提出了一种基于认证否决机制的可审计区域路由框架,用于在低光照图像增强中决定何时使用生成式覆盖。该框架通过测量互补优势,仅当分布无关风险预算证明感知风险(LPIPS)允许时才允许切换。实验显示,VetoNet 能根据证据可靠性自适应调整行为,在证据充分时获得认证增益,在证据薄弱或存在跨域偏移时保守否决。