Video Generation Models are General-Purpose Vision Learners
视频生成模型是通用视觉学习者
机构 * Google DeepMind（谷歌DeepMind）
AI总结 研究探讨计算机视觉中实现通用模型的催化剂，提出大规模文本到视频生成是预训练范式。介绍GenCeption模型，利用视频生成扩散主干定义感知模型。实验表明该模型在多任务中性能领先，有数据效率优势且具涌现行为，为通用视觉智能提供基础路径。
Comments ECCV 2026
作者
Kaiming He
Computer Vision
ELF: Embedded Language Flows
ELF：嵌入式语言流
机构 * MIT（麻省理工学院）
AI总结 本文提出ELF，一种基于连续时间流匹配的连续嵌入空间扩散模型，通过最小调整即可在离散领域有效工作，实验显示其在生成质量与采样步骤上优于现有模型。
Comments Tech report. arXiv v2: add distillation results in Appendix B. https://linlu-qiu.github.io/assets/html/elf_pd.html
Image Generators are Generalist Vision Learners
图像生成器是通用视觉学习者
机构 * Google（谷歌）
AI总结 本文研究了图像生成器在视觉理解中的通用学习能力，通过引入Vision Banana模型，展示了图像生成训练如何像语言模型预训练一样，使模型在多种视觉任务中取得最佳性能，证明了图像生成预训练在构建基础视觉模型中的核心作用。
Comments Project Page: http://vision-banana.github.io
GeoPT: Scaling Physics Simulation via Lifted Geometric Pre-Training
GeoPT：通过提升几何预训练实现物理模拟的扩展
机构 * MIT CSAIL ； Tsinghua University（清华大学）
AI总结 本文提出GeoPT，一种基于提升几何预训练的通用物理模拟预训练模型，通过合成动态增强几何，实现动态感知的自监督学习，从而提升物理模拟的效率和效果。
Comments Project Page: https://physics-scaling.github.io/GeoPT/
One-step Latent-free Image Generation with Pixel Mean Flows
无需潜在变量的一步图像生成：像素均值流
机构 * MIT（麻省理工学院）
AI总结 本文提出像素均值流(pMF)，通过分离网络输出空间与损失空间，实现无需潜在变量的一步图像生成，在ImageNet上取得优异结果。
Comments Tech report. Code at https://github.com/Lyy-iiis/pMF
Improved Mean Flows: On the Challenges of Fastforward Generative Models
改进的均值流：关于快速前向生成模型挑战的研究
机构 * CMU（卡内基梅隆大学） ； MIT（麻省理工学院） ； Adobe（Adobe公司） ； THU（清华大学）
AI总结 本文改进了MeanFlow框架，通过重新参数化训练目标和指导机制，提升了训练稳定性与灵活性，实现了在ImageNet上的1.72 FID成绩。
Comments Technical report. Code at https://github.com/Lyy-iiis/imeanflow
Generative Modeling via Drifting
通过漂移进行生成建模
机构 * MIT（麻省理工学院） ； Harvard University（哈佛大学）
AI总结 本文提出漂移模型，通过在训练过程中演进化分布实现一步生成，取得ImageNet上优异的生成效果。
Comments Project page: https://lambertae.github.io/projects/drifting/
Back to Basics: Let Denoising Generative Models Denoise
回归基础：让去噪生成模型去噪
机构 * MIT（麻省理工学院）
AI总结 本文提出通过直接预测干净数据的JiT模型，在高维空间中实现有效的去噪生成模型，展示在ImageNet上取得竞争性结果。
Comments Tech report. Code at https://github.com/LTH14/JiT
Bidirectional Normalizing Flow: From Data to Noise and Back
双向归一化流：从数据到噪声和回
机构 * MIT（麻省理工学院） ； Tsinghua University（清华大学）
AI总结 本文提出BiFlow，一种无需精确解析反演的双向归一化流框架，通过学习反向模型提升生成质量并加速采样，实现更灵活的损失函数和架构，在生成建模中取得优异性能。
Comments Tech report
ARC Is a Vision Problem!
机构 * MIT（麻省理工学院）
Comments Technical Report. Project webpage: https://github.com/lillian039/VARC
Is Noise Conditioning Necessary for Denoising Generative Models?
机构 * MIT（麻省理工学院）
Comments Update ImageNet experiments (SiT with CFG). Update Appendix
Journal ref Proceedings of the 42nd International Conference on Machine Learning (ICML), 2025
Diffuse and Disperse: Image Generation with Representation Regularization
机构 * MIT（麻省理工学院）
Transformers without Normalization
机构 * FAIR, Meta（FAIR与Meta公司） ； New York University（纽约大学） ； MIT（麻省理工学院） ； Princeton University（普林斯顿大学）
Comments CVPR 2025; Project page: https://jiachenzhu.github.io/DyT/
Mean Flows for One-step Generative Modeling
机构 * CMU（卡内基梅隆大学） ； MIT（麻省理工学院）
Comments Tech report
TetSphere Splatting: Representing High-Quality Geometry with Lagrangian Volumetric Meshes
Denoising Hamiltonian Network for Physical Reasoning
A Decade's Battle on Dataset Bias: Are We There Yet?
Comments Published in ICLR 2025 (Oral Presentation)
Fractal Generative Models
Physically Compatible 3D Object Modeling from a Single Image
Autoregressive Image Generation without Vector Quantization
Comments Neurips 2024 (Spotlight). Code: https://github.com/LTH14/mar
Return of Unconditional Generation: A Self-supervised Representation Generation Method
Comments Neurips 2024 (Oral)
Fluid: Scaling Autoregressive Text-to-image Generative Models with Continuous Tokens
Comments Tech report
Scaling Proprioceptive-Visual Learning with Heterogeneous Pre-trained Transformers
Comments See the project website (https://liruiw.github.io/hpt/) for code and videos
Journal ref Neurips 2024
Dynamic Inhomogeneous Quantum Resource Scheduling with Reinforcement Learning
Deconstructing Denoising Diffusion Models for Self-Supervised Learning
Comments Technical report, 10 pages
R-FCN: Object Detection via Region-based Fully Convolutional Networks
Comments Tech report
Scaling Language-Image Pre-training via Masking
Comments Tech report; arXiv v2: update scaling results and add code repo
Masked Autoencoders As Spatiotemporal Learners
Exploring Plain Vision Transformer Backbones for Object Detection
Comments Tech report. arXiv v2: add RetinaNet results
Masked Autoencoders Are Scalable Vision Learners
Comments Tech report. arXiv v2: add more transfer learning results; v3: add robustness evaluation
