Accelerating Diffusion via Hybrid Data-Pipeline Parallelism Based on Conditional Guidance Scheduling
School of Computing, KAIST(计算机学院,韩国科学技术院)
本文提出了一种混合并行框架,通过条件引导调度和自适应流水线切换,提升扩散模型的生成效率和质量。
2026-02-25 cs.CV
Tracing the Oracle: Improving Diffusion Timestep Scheduling for 3D CT Reconstruction
School of Computer Science and Engineering, University of Electronic Science and Technology of China(电子科技大学计算机科学与工程学院)
针对3D CT重建中扩散模型推理计算开销大且均匀时间步调度引入大截断误差的问题,提出即插即用的TrO框架,通过动态规划优化时间步调度,在有限采样步数下显著提升重建保真度和计算效率。
2026-06-04 cs.LG
DDiT: Dynamic Patch Scheduling for Efficient Diffusion Transformers
Boston University(波士顿大学);Amazon(亚马逊)
DDiT通过动态调整补丁大小,在保持生成质量的同时显著提升扩散变换器的推理效率。
2026-02-19 cs.AI cs.CV
FlashDiff: Efficient Regional Execution and Scheduling for Diffusion Model Serving
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Vanderbilt University(范德比大学);HKUST(香港科技大学);NVIDIA(英伟达);Texas A&M University(德克萨斯农工大学)
研究针对扩散模型服务效率低的问题,提出FlashDiff系统,通过自适应区域执行和调度,利用扩散细化特性及三种机制,有效降低端到端服务延迟,提高吞吐量。
2026-10-30 cs.DC cs.LG
On the Noise Scheduling for Generating Plausible Designs with Diffusion Models
BMW Group(宝马集团);LIACS, Leiden University(莱顿大学LIACS学院)
本文研究扩散模型噪声调度对结构设计合理性的影响,提出两种确定噪声范围的技术及新型参数化噪声调度,应用于 EDM 模型后,将合理设计比率提升至 93.5% 并显著改善 FID。
2023-11-19 cs.AI cs.CE cs.CV
Q-Sched: Pushing the Boundaries of Few-Step Diffusion Models with Quantization-Aware Scheduling
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
Q-Sched通过量化感知调度器改进少步扩散模型,实现模型大小减少4倍并提升生成质量
2025-09-01 cs.AI cs.CV
Formalizing the Sampling Design Space of Diffusion-Based Generative Models via Adaptive Solvers and Wasserstein-Bounded Timesteps
Department of Artificial Intelligence, Korea University, Seoul, South Korea(人工智能系,韩国大学,首尔,韩国)
SDM通过自适应求解器和Wasserstein有界时间步长,提升扩散生成模型的采样效率与性能。
2026-10-01 cs.CV cs.LG
Dimension-free error estimate for diffusion model and optimal scheduling
Google DeepMind(谷歌DeepMind);Université Paris Saclay(巴黎萨克雷大学);Université Evry - Paris Saclay(埃夫里-巴黎萨克雷大学);Chinese University of Hong Kong(香港中文大学)
本文提出了一种无维误差界,用于评估扩散模型生成与真实数据分布的差异,并通过变分问题推导出最优时间调度策略以减少离散化误差。
2025-12-01 cs.LG math.PR math.ST
Adaptive Diffusion Guidance via Stochastic Optimal Control
本文提出通过随机最优控制框架,建立指导调度的理论基础,动态选择指导强度以提升扩散模型生成质量。
2026-03-31 cs.LG stat.ML
Inference-Time Scaling of Discrete Diffusion Models via Importance Weighting and Optimal Proposal Design
本文提出基于SMC框架的重要加权和最优提案设计方法,提升离散扩散模型在推理时的可控制性和样本质量,适用于多个领域任务。
2026-03-15 cs.LG
Leveraging Inference-Time Compute for Diffusion Models via Global Scheduling of Denoising Trajectories
Peking University(北京大学);University of California, Berkeley(加州大学伯克利分校)
本文提出一种基于全局调度的计算预算分配方法,通过分解预期收益并求解注水结构整数规划,在扩散模型去噪轨迹中优化搜索资源,实验显示可减少20%-50%的函数评估。
2026-09-22 cs.LG
Streaming Generation of Co-Speech Gestures via Accelerated Rolling Diffusion
本文提出兼容现有扩散手势生成模型的流式生成框架,结合结构化渐进噪声调度与RDLA加速方法,在ZEGGS、BEAT基准上实现最高4倍加速,可实时生成同步、真实多样的伴随语音手势。
2025-11-19 cs.CV cs.HC cs.LG
Importance-Aware OBS Pruning for Diffusion Models
针对扩散模型提出重要性感知剪枝框架,通过纳入空间重要性映射到剪枝目标,在MS-COCO数据集上高压缩率下保持主题保真度和结构正确性,证明内容感知目标对生成模型感知忠实压缩很关键。
2026-09-30 cs.CV
Enhancing Diffusion Models for High-Quality Image Generation
本报告全面实现并优化了DDPMs和DDIMs,通过引入CFG、结合VAE的Latent Diffusion Models及噪声调度策略提升生成能力,实验证明DDIM + CFG在CIFAR-10和ImageNet-100上实现了更快推理与更优图像质量。
2024-12-19 cs.AI cs.CV cs.LG
Iterative Importance Fine-tuning of Diffusion Models
University College London(伦敦大学学院);University of Cambridge(剑桥大学);Xaira Therapeutics;ENS Paris - PSL & Inria Mokaplan(巴黎高等师范学院 - PSL & Inria Mokaplan)
本文提出了一种基于自监督学习的扩散模型微调方法,通过迭代优化控制实现高效的条件采样,适用于图像生成和逆问题解决。
2026-02-10 cs.LG eess.IV math.PR
Learning Flexible Forward Trajectories for Masked Molecular Diffusion
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);Polymerize
针对标准掩码扩散模型在分子生成中因状态冲突而性能退化的问题,提出MELD方法,通过参数化噪声调度网络为原子和键分配不同损坏率,显著提升生成质量,化学有效性从15%升至93%。
2025-09-26 cs.AI cs.LG
Scheduled Style Injection: Expanding the Style-Content Pareto Frontier in Training-Free Diffusion-based Style Transfer
Independent Researcher(独立研究者)
通过系统探索层、时间步和ControlNet几何条件四个维度的调度,发现递减调度(浅层和早期时间步强结构注入)优于递增调度,且余弦和平方根时间步调度优于线性,结合近乎独立的gamma调度与ControlNet条件可扩展帕累托前沿,在ArtFID上相对提升6.1%。
2026-05-26 cs.CV
Dynamic Importance in Diffusion U-Net for Enhanced Image Synthesis
CSSE, Shenzhen University(深圳大学计算机科学与工程学院)
本文针对扩散 U-Net 中注意力模块重要性随推理过程动态变化的问题,提出 Importance Probe 量化方法及自适应重加权调度,显著提升推理效率和图像生成质量。
2025-05-05 cs.CV
A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对观测数据因果估计中协变量失衡与混杂偏倚问题,提出融合IPW与扩散预训练的IWDD生成框架,通过随机化调整简化计算并降低梯度方差,实现了最优的样本外预测性能。
2025-05-16 cs.LG stat.AP stat.ME
DPoser: Diffusion Model as Robust 3D Human Pose Prior
Beihang University(北京航空航天大学);Tsinghua University(清华大学);International Digital Economy Academy (IDEA)(国际数字经济学院(IDEA));ETH Zürich(苏黎世联邦理工学院)
提出基于扩散模型的鲁棒3D人体姿态先验DPoser,将姿态任务视为逆问题并采用变分扩散采样求解,结合截断时间步调度策略,在人体网格恢复、姿态补全和运动去噪等任务上取得显著提升。
2024-03-23 cs.CV
Meta-DiffuB: A Contextualized Sequence-to-Sequence Text Diffusion Model with Meta-Exploration
University of Washington(华盛顿大学);Microsoft(微软公司);Maxora AI;National Taiwan University(台湾大学)
本文提出Meta-DiffuB框架,通过元探索训练调度器为每个句子生成上下文化噪声,以改进序列到序列文本扩散模型,在多个基准上取得最优性能并支持即插即用增强DiffuSeq。
2024-10-17 cs.AI cs.CL cs.LG
On the Importance of Conditioning for Privacy-Preserving Data Augmentation
University of Augsburg(奥格斯堡大学)
本文揭示以深度图或边缘为条件的潜在扩散模型用于数据匿名化时存在隐私泄露风险,并通过对比学习和黑盒攻击验证其可被用于身份识别。
2025-04-08 cs.CV
RhymeFlow: Training-Free Acceleration for Video Generation with Asynchronous Denoising Flow Scheduling
Tsinghua University(清华大学);GigaAI(极佳科技)
针对DiT视频生成模型推理慢的问题,提出无训练框架RhymeFlow,通过识别关键帧并仅对其密集去噪,非关键帧逐步跳过步骤,同时引入潜在轨迹投影模块保持时序一致性,实现加速并提升质量。
2026-06-04 cs.CV
InstGenIE: Generative Image Editing Made Efficient with Mask-aware Caching and Scheduling
Hong Kong University of Science and Technology(香港科学与技术大学);Alibaba Group(阿里巴巴集团)
InstGenIE通过掩码感知的缓存复用、无气泡流水线、连续批处理与负载均衡,高效服务扩散模型图像编辑,实现高达3倍吞吐提升和14.7倍延迟降低。
2025-05-27 cs.AI cs.DC cs.LG
Noise Scheduling as Information-Guided Allocation in Diffusion Training
Tilburg University & JADS(蒂尔堡大学及JADS);Sony AI(索尼人工智能);University of Cambridge(剑桥大学);Radboud University(拉德堡德大学);Sony Group Corporation(索尼集团公司)
提出InfoNoise,一种在线自适应噪声调度方法,通过估计条件熵率剖面动态调整训练噪声分布,以优化去噪任务中的信息增益,在图像、DNA和语言生成等任务中达到或超越基线,并节省高达3倍训练计算量。
2026-05-27 cs.AI cs.CV cs.IT
DEPICT: Diffusion-Enabled Permutation Importance for Image Classification Tasks
University of Michigan(密歇根大学);New York University(纽约大学)
提出一种基于置换的图像分类器解释方法,通过文本空间置换概念并利用扩散模型生成图像,度量特征重要性,生成排名,并在合成和真实任务中验证有效性。
2024-07-19 cs.AI cs.CV
TRaM-VSR: Importance-Aware Token Routing and Merging for One-Step Diffusion Video Super-Resolution
Advanced Micro Devices Inc.(超威半导体公司);Computer Vision Lab, CAIDAS & IFI, University of Würzburg(维尔茨堡大学CAIDAS与IFI计算机视觉实验室)
研究针对视频超分辨率中扩散模型计算成本高及现有方法存在问题,提出TRaM-VSR框架,通过融合线索估计令牌重要性,经离线规划器校准调整,在路由组内分处理关键与非关键令牌,实现加速推理且保持质量和一致性。
2026-07-27 cs.AI cs.CV