NVIDIA（英伟达）

PiD: Fast and High-Resolution Latent Decoding with Pixel Diffusion

PiD: 基于像素扩散的快速高分辨率潜解码

Yifan Lu, Qi Wu, Jay Zhangjie Wu, Zian Wang, Huan Ling, Sanja Fidler, Xuanchi Ren

机构 * NVIDIA 纠错

AI总结 提出像素扩散解码器PiD，将潜解码重构为条件像素扩散，统一解码与上采样，实现低延迟高分辨率图像生成。

Comments Project Page: https://research.nvidia.com/labs/sil/projects/pid/

DiLaDiff: Distilled Latent-Augmented Diffusion for Language Modeling

DiLaDiff: 蒸馏潜在增强扩散用于语言建模

Jean-Marie Lemercier, Tomas Geffner, Karsten Kreis, Morteza Mardani, Arash Vahdat, Ante Jukić

机构 * NVIDIA（英伟达） 纠错

AI总结 提出DiLaDiff，通过连续潜在空间、潜在扩散模型和一致性蒸馏解决扩散语言模型在解码令牌相关性上的不足，提升采样质量和推理速度。

Contrastive Distribution Matching for Amortized Sequential Monte Carlo in Discrete Diffusion

对比分布匹配用于离散扩散中的摊销序贯蒙特卡洛

Jaihoon Kim, Taehoon Yoon, Prin Phunyaphibarn, Seungjun Kim, Morteza Mardani, Minhyuk Sung

机构 * KAIST（韩国科学技术院） ； University of Michigan（密歇根大学） ； NVIDIA（英伟达） 纠错

AI总结 提出对比分布匹配（CDM）框架，通过正负样本学习参数化扭曲函数，摊销序贯蒙特卡洛（SMC）推理成本，在离散扩散中高效采样奖励倾斜分布。

Comments Project Page: https://cdm-smc.github.io/

Do Synthetic Brain MRIs Reliably Improve Tumour Classification? A StyleGAN2-ADA Class-Plane Augmentation Study on BRISC 2025

合成脑部MRI能否可靠改善肿瘤分类？基于BRISC 2025的StyleGAN2-ADA类平面增强研究

José Rafael Noriega Cedeño

机构 * NVIDIA 纠错

AI总结 本研究使用StyleGAN2-ADA生成合成脑部MRI，结合InceptionV3特征过滤，在三种分类器上评估其对肿瘤分类性能的影响，发现增强效果依赖于架构和比例，视觉保真度不能保证下游任务提升。

Comments 18 pages, 16 figures

ThriftAttention: Selective Mixed Precision for Long-Context FP4 Attention

ThriftAttention: 面向长上下文FP4注意力机制的选择性混合精度

Joe Sharratt

机构 * NVIDIA Corporation（英伟达公司） 纠错

AI总结 提出ThriftAttention，通过选择性混合精度（仅5%的查询-键块使用FP16）在长上下文中恢复FP4注意力与FP16之间的性能差距，平均恢复89.1%。

Variance Reduction for Expectations with Diffusion Teachers

具有扩散教师的期望方差缩减

Jesse Bettencourt, Xindi Wu, Matan Atzmon, James Lucas, Jonathan Lorraine

机构 * NVIDIA ； University of Toronto（多伦多大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 提出CARV框架，通过分层蒙特卡洛估计器（摊销上游计算、时间步重要性采样和分层逆CDF构造）降低扩散模型作为冻结教师时的梯度方差，在文本到3D和蒸馏实验中实现2-3倍有效计算乘数。

Comments Project page: https://research.nvidia.com/labs/sil/projects/CARV/