TimeBridge: Better Diffusion Prior Design with Bridge Models for Time Series Generation
Korea Institute for Advanced Study(韩国高级研究院);Seoul National University(首尔国立大学)
TimeBridge通过桥模型改进扩散先验设计,提升时间序列生成的灵活性和性能。
2025-12-24 cs.AI cs.LG
Autoregressive Diffusion Model for Graph Generation
Georgia Institute of Technology(佐治亚理工学院)
针对现有基于扩散的图生成模型训练难、采样慢等问题,提出基于节点吸收扩散过程的自回归扩散图生成模型,通过扩散排序网络和去噪网络联合训练,在多数据集上实现性能与速度的双提升。
2023-07-17 cs.AI cs.LG
Fast Graph Generation via Spectral Diffusion
School of Computer Science and Engineering, Nanyang Technological University(南洋理工大学计算机科学与工程学院)
针对全秩扩散SDE在邻接矩阵空间运行影响图生成质量的问题,提出基于图谱空间低秩扩散SDE的GSDM模型,兼具更强理论保证、更优生成质量与更低计算成本,达当前最优水平。
2022-11-19 cs.AI cs.LG
Airfoil Diffusion: Denoising Diffusion Model For Conditional Airfoil Generation
Carnegie Mellon University(卡内基梅隆大学)
本文提出基于扩散模型的数据驱动翼型生成方法,可通过气动性能或几何准则进行条件约束,高效生成具有真实气动特性的创新翼型,突破了传统设计参数的限制。
2024-12-18 cs.AI cs.LG
Unifying Masked Diffusion Models with Various Generation Orders and Beyond
Graduate School of AI, KAIST, South Korea(韩国延世大学人工智能研究生院)
本文提出Order-Expressive Masked Diffusion Model (OeMDM)和Learnable-Order Masked Diffusion Model (LoMDM),统一了不同生成顺序的扩散生成过程,并通过单目标学习生成顺序和扩散骨干,提升了文本生成性能。
2026-05-21 cs.AI cs.CL cs.LG
Enhancing Diffusion Language Models with Autoregressive Post-Training Weights
EPFL(洛桑联邦理工学院)
提出A2D框架,无需训练即可将自回归模型的后训练权重更新应用于扩散语言模型,通过组合AR与扩散后训练更新,提升指令遵循、数学推理和编码能力。
2026-10-07 cs.LG
Diffusion-LM Improves Controllable Text Generation
Stanford University(斯坦福大学)
在不重新训练的情况下控制语言模型(LM)的行为是自然语言生成中的一个主要开放问题。虽然最近的工作已经证明了控制简单句子属性的成功(例如,情绪),在复杂的细粒度控制(例如,句法结构)。为了解决这个问题,我们开发了一个新的非自回归语言模型的基础上连续扩散,我们称之为扩散LM。基于最近连续域中扩散模型的成功,Diffusion-LM迭代地将高斯向量序列去噪为词向量,产生中间潜变量序列。这些中间变量的连续性和层次性使得简单的基于梯度的算法能够执行复杂的可控生成任务。我们展示了成功的控制扩散LM六个具有挑战性的细粒度控制任务,显着优于以前的工作。
2022-05-27 cs.AI cs.CL cs.LG
Modeling and Understanding Neural Weights of Humanoid Policies with Diffusion
University of California, Berkeley(加州大学伯克利分校)
本研究采用结合线性自编码器与扩散Transformer的潜在扩散框架,对Unitree G1机器人控制网络的权重进行生成式建模,生成可执行多种动作的网络,并发现其权重空间中存在反映运动学先验的共性结构。
2026-10-15 cs.AI cs.LG cs.RO
Flash Diffusion: Accelerating Any Conditional Diffusion Model for Few Steps Image Generation
Jasper Research(Jasper研究院)
本文提出Flash Diffusion,一种高效通用的蒸馏方法,可在极少采样步数下保持高质量图像生成,适用于多种任务和骨干网络,且训练成本低于现有方法。
2024-12-18 cs.AI cs.CV cs.LG
Dual Diffusion for Unified Image Generation and Understanding
Carnegie Mellon University(卡内基梅隆大学);Yale University(耶鲁大学);ByteDance(字节跳动)
提出首个支持全套视觉语言建模能力的大规模端到端多模态扩散模型,通过跨模态最大似然估计框架联合训练图像与文本,在图像生成与理解任务中取得竞争力表现。
2025-04-01 cs.AI cs.CV cs.LG
GD-VDM: Generated Depth for better Diffusion-based Video Generation
Bar-Ilan University(巴伊兰大学)
本文提出GD-VDM,一种基于两阶段生成过程(先生成深度视频,再通过扩散Vid2Vid模型生成真实视频)的新型扩散模型,用于生成连贯且多样化的复杂场景视频,并在Cityscapes数据集上验证了其有效性。
2023-06-19 cs.AI cs.CV cs.LG
DLT: Conditioned layout generation with Joint Discrete-Continuous Diffusion Layout Transformer
生成视觉布局是图形设计的一个重要组成部分。对于涉及用户交互的实际应用程序来说,根据组件属性的部分子集来调节布局生成的能力是至关重要的。近年来,扩散模型已在多个领域显示出高质量的生成性能。然而,目前还不清楚如何将扩散模型应用于由离散(类)和连续(位置,大小)属性的混合组成的布局的自然表示。为了解决条件布局生成问题,我们引入DLT,一个联合离散-连续扩散模型。DLT是一种基于transformer的模型,它具有灵活的调节机制,允许对所有布局组件类、位置和大小的任何给定子集进行调节。我们的方法在不同的度量和条件设置方面优于各种布局生成数据集上的最先进的生成模型。此外,我们验证了我们提出的条件反射机制和联合连续扩散过程的有效性。这种联合过程可以被纳入到广泛的混合离散-连续生成任务中。
2023-03-07 cs.AI cs.CV cs.LG
Scaffold Diffusion: Sparse Multi-Category Voxel Structure Generation with Discrete Diffusion
Biohub Redwood City, USA(Biohub 红木城,美国)
Scaffold Diffusion通过离散扩散模型生成稀疏多类3D体素结构,克服稀疏性带来的挑战,生成逼真且连贯的结构。
2025-11-24 cs.AI cs.CV cs.LG
GraphGUIDE: interpretable and controllable conditional graph generation with discrete Bernoulli diffusion
Genentech(基因泰克)
扩散模型在生成真实感对象方面具有最先进的性能,并已成功应用于图像、文本和视频。最近的工作表明,扩散也可以在图形上定义,包括药物样分子的图形表示。不幸的是,仍然很难以可解释和可控制的方式在图上执行条件生成。在这项工作中,我们提出了GraphGUIDE,一个新的框架,图形生成使用扩散模型,在图中的边缘翻转或设置在每个离散的时间步。我们在几个图形数据集上演示了GraphGUIDE,并表明它可以完全控制任意结构属性的条件生成,而无需依赖于预定义的标签。我们的图形扩散框架可以对图形的可解释条件生成产生很大的影响,包括以实验证据为依据的方式生成具有所需特性的药物样分子。
2023-02-07 cs.LG
Why mask diffusion does not work
本文探讨了掩码扩散模型在实现并行生成和双向注意力方面的固有困难,并提出了有效的训练和推理策略。
2025-12-23 cs.AI cs.CL cs.LG
Evolution Meets Diffusion: Efficient Neural Architecture Generation
针对NAS搜索成本高及扩散式NAG全局搜索受限的问题,本文提出免训练的EDNAG,用进化算法模拟扩散去噪并由适应度引导架构分布生成,取得SOTA优化效果且推理平均提速50倍。
2025-09-29 cs.AI cs.LG cs.NE
Terrain Diffusion: A Diffusion-Based Successor to Perlin Noise in Infinite, Real-Time Terrain Generation
Independent Researcher(独立研究者)
Terrain Diffusion通过结合扩散模型的保真度与程序化噪声的特性,实现了高效且逼真的无限实时地形生成。
2026-01-11 cs.AI cs.CV cs.GR
Equivariant Neural Diffusion for Molecule Generation
Technical University of Denmark(丹麦技术大学);University of Amsterdam(阿姆斯特丹大学)
本研究提出对欧几里得变换等变的三维分子生成扩散模型END,其核心创新是可学习的等变前向过程,实验显示该模型在标准基准的无条件与条件生成任务上性能具备竞争力。
2025-06-12 cs.LG
Getting Your Guidance Weights Right in diffusion and flow-matching posterior sampling
Heriot-Watt University, EPS(赫瑞-瓦特大学,工程与物理科学学院);IMS (Univ. Bordeaux, CNRS, BINP)(IMS(波尔多大学,法国国家科学研究中心,BINP));ONERA(法国国家航空航天研究院)
提出一种离线自动调优扩散与流匹配后验采样中引导权重的方法,将其化为二维线性最小二乘问题,无需重训,提升重建性能并可将采样步数降至50步。
2026-10-05 cs.LG
HOG-Diff: Higher-Order Guided Diffusion for Graph Generation
HOG-Diff通过高阶拓扑引导和扩散桥梁,实现图生成的高阶拓扑结构捕捉,展示了方法在多样领域和大规模设置中的优越性能。
2026-03-12 cs.AI cs.LG cs.SI
A Reparameterized Discrete Diffusion Model for Text Generation
The University of Hong Kong(香港大学);ByteDance Inc.(字节跳动公司);Google DeepMind(谷歌DeepMind)
本文提出重新参数化离散扩散模型,通过等价采样公式提升文本生成的训练与解码效果,并在实验中显著优于现有扩散模型。
2024-08-02 cs.CL cs.LG
Hierarchical Koopman Diffusion: Fast Generation with Interpretable Diffusion Trajectory
Fudan University(复旦大学);The University of Hong Kong(香港大学)
针对扩散模型采样慢与可解释性难以兼得的问题,提出分层库普曼扩散框架,利用库普曼算子实现单步生成,同时支持生成过程的解释与干预。
2025-10-14 cs.LG
Discrete-state Continuous-time Diffusion for Graph Generation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Visa Research(Visa研究院)
本文提出离散状态连续时间的图扩散生成框架,保留图数据离散性,具备节点排列的不变/等变性,在多基准上性能达SOTA水平且可灵活权衡采样质量与效率。
2024-11-04 cs.LG
Autoregressive latent diffusion for 3D molecule generation
研究3D分子生成问题,提出KRONOS潜自回归扩散框架,联合建模分子图拓扑和几何,引入混合训练策略。实验表明其在自回归方法中无条件生成性能领先,与扩散模型竞争,单一架构可支持两种生成范式。
2026-10-05 cs.LG
DDPT: Diffusion-Driven Prompt Tuning for Large Language Model Code Generation
University of Adelaide(阿德莱德大学)
本文提出扩散驱动提示调优方法DDPT,通过从高斯噪声学习生成最优提示嵌入,自动优化LLM代码生成的提示,实验表明其能有效提升提示优化效果。
2025-04-06 cs.AI cs.CL cs.LG
Diffusion models for Handwriting Generation
在本文中,我们提出了一个扩散概率模型的手写生成。扩散模型是一类生成模型,其中样本从高斯噪声开始并逐渐去噪以产生输出。我们的手写生成方法不需要使用任何基于文本识别的,基于书写风格的,或对抗性的损失函数,也不需要训练辅助网络。我们的模型能够直接从图像数据中融入作者风格特征,从而无需在采样期间进行用户交互。实验表明,我们的模型是能够生成逼真的,高质量的图像的手写文本在一个类似的风格给一个给定的作家。我们的实现可以在https://github.com/tcl9876/Diffusion-Handwriting-Generation上找到
2020-11-13 cs.CV cs.LG
SurGen: Text-Guided Diffusion Model for Surgical Video Generation
Stanford Medicine(斯坦福医学院);Johns Hopkins University(约翰斯·霍普金斯大学);Penn Medicine(宾夕法尼亚医学院)
本研究提出专为手术视频合成定制的文本引导扩散模型SurGen,其生成的视频在现有同类模型中分辨率最高、时长最长,实验证明该模型可作为外科实习生的有价值教育工具。
2024-09-24 cs.AI cs.CL cs.CV
Permutation-Symmetrized Diffusion for Unconditional Molecular Generation
Korea Advanced Institute of Science and Technology(韩国科学技术院)
本文提出在商流形上直接建模扩散,以实现分子点云生成的排列不变性,通过MCMC近似难以计算的排列后验,提升生成效率与质量。
2026-03-24 cs.LG
DiffCollage: Parallel Generation of Large Content with Diffusion Models
Georgia Institute of Technology(佐治亚理工学院);NVIDIA Corporation(英伟达公司)
我们提出了DiffCollage,一个组合扩散模型,可以通过利用扩散模型训练生成大内容的片段来生成大内容。我们的方法是基于一个因素图表示,其中每个因素节点表示的内容的一部分和一个变量节点表示它们的重叠。这种表示使我们能够聚合定义在各个节点上的扩散模型的中间输出,以并行生成任意大小和形状的内容,而无需采用自回归生成过程。我们将DiffCollage应用于各种任务,包括无限图像生成,全景图像生成和长时间文本引导运动生成。大量的实验结果与强自回归基线的比较验证了我们的方法的有效性。
2023-03-30 cs.CV cs.LG
Diffusion Self-Weighted Guidance for Offline Reinforcement Learning
Initiative for Data & AI, Universidad de Chile(数据与人工智能倡议,智利大学);AMTC & Dept. of Electrical Eng., Universidad de Chile(AMTC与电气工程系,智利大学);Department of Mathematics, Imperial College London(数学系,伦敦帝国学院)
本文提出自加权引导方法,通过扩散模型直接生成所需分数,无需额外网络,实现高效的离线强化学习
2025-12-23 cs.LG stat.ML
Self-conditioned Embedding Diffusion for Text Generation
INRIA(法国国家信息与自动化研究所);École normale supérieure(巴黎高等师范学院);CNRS(法国国家科学研究中心);PSL Research University(巴黎文理研究大学);DeepMind(深度思维);Massachusetts Institute of Technology(麻省理工学院)
连续扩散模型能否在自然语言上带来与图像生成相同的性能突破?为了规避文本数据的离散性,我们可以简单地将标记投影到连续的嵌入空间中,这是语言建模中的标准。我们提出了自适应嵌入扩散,一个连续的扩散机制,操作令牌嵌入,并允许学习灵活和可扩展的扩散模型的条件和无条件的文本生成。通过定性和定量评估,我们表明,我们的文本扩散模型生成的样本与标准自回归语言模型产生的样本相当,同时在理论上更有效的加速器硬件在推理时间。我们的工作铺平了道路,扩大扩散模型的文本,类似于自回归模型,并提高性能与最近的改进连续扩散。
2022-11-08 cs.CL cs.LG
Enhancing Diffusion-based Point Cloud Generation with Smoothness Constraint
Tufts University(塔夫茨大学)
针对扩散点云生成中反向过程忽略几何特性导致表面点不光滑的问题,本文在扩散框架中引入局部平滑性约束,实验表明其可生成更逼真、平滑的点云并优于多种现有方法。
2024-04-03 cs.CV cs.GR cs.LG
Improved Generation of Synthetic Imaging Data Using Feature-Aligned Diffusion
Researcher Boston, Massachusetts, USA
本文提出特征对齐扩散方法,通过将扩散模型中间特征与专家输出特征对齐,在医学图像合成中提升生成准确率9%并改善多样性,且可与现有方法协同集成。
2024-10-01 cs.CV cs.LG
Interpreting the Weight Space of Customized Diffusion Models
UC Berkeley(加州大学伯克利分校);Snap Inc.(Snap公司);Stanford University(斯坦福大学)
本文通过构建超过60,000个定制化扩散模型的数据集,提出weights2weights权重子空间,并展示其在采样、编辑和反演中的应用,证明微调扩散模型的权重空间可作为可解释的元潜在空间生成新模型。
2024-11-22 cs.CV cs.GR cs.LG
Condition Errors Refinement in Autoregressive Image Generation with Diffusion Loss
SKL-IOTSC, CIS, University of Macau(澳门大学SKL-IOTSC、CIS、大学)
本研究提出基于最优传输理论的条件细化方法,通过理论分析和实验验证,有效缓解条件不一致问题并提升图像生成稳定性。
2026-02-02 cs.CV cs.LG eess.IV
Towards Controllable Image Generation through Representation-Conditioned Diffusion Models
本文提出利用预训练自监督模型的表示作为条件,通过扩散模型实现无需大量标注的可控图像生成,并探索了表示空间中的平滑和分离特性。
2026-05-26 cs.CV cs.LG
Speculative Diffusion Decoding: Accelerating Language Generation through Diffusion
University of Virginia(弗吉尼亚大学);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
针对现有推测解码因草稿模型依赖增量token生成导致效率受限的问题,提出SpecDiff方法,用离散扩散模型生成草稿序列实现草稿与验证并行,在基准测试中比标准生成提速7.2倍、比现有推测解码提速1.75倍。
2025-02-10 cs.CL cs.LG
On Conditioning the Input Noise for Controlled Image Generation with Diffusion Models
IIT Hyderabad(印度理工学院海得拉巴分校);Adobe(奥多比);MIT(麻省理工学院)
条件图像生成为图像编辑、生成库存照片和3D对象生成方面的几个突破铺平了道路。随着基于扩散模型的新的最先进的方法的兴起,这仍然是一个重要的感兴趣的领域。然而,扩散模型对生成的图像提供的控制非常少,这导致了后续的工作探索技术,如分类指导,提供了一种权衡多样性与保真度的方法。在这项工作中,我们探索技术条件扩散模型精心制作的输入噪声文物。这允许生成以语义属性为条件的图像。这与现有的方法不同,现有的方法输入高斯噪声,并进一步在扩散模型的推理步骤中引入调节。我们的实验在几个例子和条件设置显示了我们的方法的潜力。
2022-05-08 cs.CV cs.LG
DiffuSeq: Sequence to Sequence Text Generation with Diffusion Models
Shanghai AI Laboratory(上海人工智能实验室);The University of Hong Kong(香港大学)
最近,扩散模型已经成为生成模型的一个新的范例。尽管在使用连续信号(如视觉和音频)的领域取得了成功,但由于文本的离散性,特别是对于条件生成,使扩散模型适应自然语言的研究还不够。我们通过提出DiffuSeq来应对这一挑战:一个为序列到序列(Seq 2Seq)文本生成任务设计的扩散模型。在对各种Seq 2Seq任务进行广泛评估后,我们发现DiffuSeq实现了与六个已建立的基线相当甚至更好的性能,包括基于预训练语言模型的最先进模型。除了质量之外,DiffuSeq的一个有趣特性是其在生成过程中的高多样性,这是许多Seq 2Seq任务所期望的。我们还包括一个理论分析,揭示了DiffuSeq和自回归/非自回归模型之间的联系。结合理论分析和经验证据,我们证明了扩散模型在复杂的条件语言生成任务的巨大潜力。代码可在\url{https://github.com/Shark-NLP/DiffuSeq}上获得
2023-02-14 cs.CL cs.LG
Equivariant Diffusion for Molecule Generation in 3D
University of Amsterdam(阿姆斯特丹大学);EPFL(洛桑联邦理工学院)
本文介绍了一种扩散模型,它与欧氏变换是等变的。我们的E(3)等变扩散模型(EDM)学习使用等变网络对扩散过程进行去噪,该等变网络对连续(原子坐标)和分类特征(原子类型)进行联合操作。此外,我们提供了一个概率分析,承认可能性计算的分子使用我们的模型。实验上,所提出的方法显着优于以前的3D分子生成方法的质量生成的样本和效率在训练时间。
2022-06-16 cs.LG q-bio.QM stat.ML
Torsional Diffusion for Molecular Conformer Generation
Massachusetts Institute of Technology(麻省理工学院);Harvard University(哈佛大学)
分子构象生成是计算化学中的一项基本任务。已经开发了几种机器学习方法,但没有一种方法优于最先进的化学信息学方法。我们提出扭转扩散,一种新的扩散框架,通过扩散过程的超环面和一个外在的内在的分数模型的扭转角的空间上操作。在药物样分子的标准基准上,与机器学习和化学信息学方法相比,扭转扩散在RMSD和化学性质方面产生更好的构象集合,并且比以前的基于扩散的模型快几个数量级。此外,我们的模型提供了确切的可能性,我们采用建立第一个可推广的玻尔兹曼发生器。代码可在https://github.com/gcorso/torsional-diffusion上获得。
2023-03-01 cs.LG physics.chem-ph q-bio.BM
Diffusion-Weighted Magnetic Resonance Brain Images Generation with Generative Adversarial Networks and Variational Autoencoders: A Comparison Study
ETH Zurich(苏黎世联邦理工学院);University of Zurich(苏黎世大学);Stanford University(斯坦福大学);Stanford Stroke Center(斯坦福中风中心);Institute for Biomedical Engineering(生物医学工程研究所)
我们表明,高质量,多样化和逼真的扩散加权磁共振图像可以使用深生成模型合成。基于专业神经放射学家的评价和不同的指标,就所生成的合成脑图像的质量和多样性,我们提出了两个网络,内省变分自编码器和基于样式的GAN,有资格在医疗领域的数据增强,其中信息被保存在一个调度和不均匀的方式和访问它是在许多方面受到限制。
2020-06-24 cs.CV cs.LG eess.IV
Scenario Diffusion: Controllable Driving Scenario Generation With Diffusion
Zoox(佐克斯公司)
本文提出场景扩散(Scenario Diffusion),一种基于扩散的架构,结合潜在扩散、目标检测和轨迹回归,以地图和令牌为条件,实现可控的驾驶场景生成,可建模多样交通模式并泛化至不同地区。
2023-11-16 cs.CV cs.LG cs.RO
HyperDiffusion: Generating Implicit Neural Fields with Weight-Space Diffusion
Technical University of Munich(慕尼黑工业大学);Apple(苹果公司)
隐式神经场,通常由多层感知器(MLP)编码,该多层感知器(MLP)从坐标(例如,xyz)到信号(例如,符号距离),已经显示出作为高保真和紧凑表示的显著前景。然而,缺乏规则和显式的网格结构也使得直接在隐式神经场上应用生成建模以合成新数据具有挑战性。为此,我们提出了超扩散,一种新的方法,无条件生成的隐式神经场建模。HyperDiffusion直接对MLP权重进行操作,并生成由合成MLP参数编码的新神经隐式字段。具体而言,首先优化MLP的集合以忠实地表示各个数据样本。随后,在该MLP权重空间中训练扩散过程,以对神经隐场的底层分布进行建模。HyperDiffusion支持在一个统一的框架内,通过隐式、紧凑且高保真的方式,对3D形状和4D网格动画中的复杂信号进行扩散建模。
2023-03-29 cs.CV cs.LG
AnCoder: Anchored Code Generation via Discrete Diffusion Models
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
AnCoder通过结构化锚定扩散模型实现高质量代码生成,解决了传统方法无法尊重编程语言结构的问题。
2026-02-05 cs.LG cs.PL
Score Jacobian Chaining: Lifting Pretrained 2D Diffusion Models for 3D Generation
Purdue University(普渡大学);TTI-Chicago(丰田工业大学芝加哥分校)
扩散模型学习预测梯度的矢量场。我们建议在学习的梯度上应用链式规则,并通过可微分渲染器的雅可比矩阵反向传播扩散模型的分数,我们将其实例化为体素辐射场。此设置将多个相机视点处的2D分数聚合为3D分数,并将预训练的2D模型重新用于3D数据生成。我们确定了这个应用中出现的分布不匹配的技术挑战,并提出了一种新的估计机制来解决它。我们在几个现成的扩散图像生成模型上运行我们的算法,包括最近发布的在大规模LAION数据集上训练的稳定扩散。
2022-12-01 cs.CV cs.LG
Diffusion models recover accurate mixture weights despite score function insensitivity
University of Chicago(芝加哥大学);Data Science Institute(数据科学研究所);Department of Computer Science(计算机科学系)
研究基于得分的生成模型在多模态分布中恢复混合权重的问题,通过定义扩散得分敏感性指数,证明其控制目标分布参数估计准确性,还展示了噪声调度对敏感性及模式放大的影响,此框架可用于恢复目标分布的定性参数。
2026-07-20 cs.LG math.PR stat.ML
Complex-Weighted Convolutional Networks: Provable Expressiveness via Complex Diffusion
IST Austria(IST奥地利研究院);Center for Systems Biology Dresden(德累斯顿系统生物学中心);Mathematical bioPhysics Group, Max Planck Institute for Multidisciplinary Sciences(多学科科学研究所数学生物物理组);Max Planck Institute of Molecular Cell Biology and Genetics(分子细胞生物学和遗传学马克斯·普朗克研究所);Max Planck Institute for the Physics of Complex Systems(复杂系统物理马克斯·普朗克研究所);Dresden University of Technology(德累斯顿技术大学)
针对图神经网络过平滑及异配图性能差的问题,提出复加权卷积网络CWCN,通过复域扩散机制提升模型表达能力,在基准数据集上取得有竞争力的性能。
2025-11-17 cs.LG cs.SI math.DS
Enhancing ML model accuracy for Digital VLSI circuits using diffusion models: A study on synthetic data generation
IIIT(印度信息技术学院)
本研究利用扩散模型为数字VLSI电路生成合成数据,以增强机器学习模型在性能评估、设计和测试中的准确性,验证了数据增强的有效性。
2023-10-15 cs.AR cs.LG
RenderDiffusion: Image Diffusion for 3D Reconstruction, Inpainting and Generation
University of Edinburgh(爱丁堡大学);Adobe Research(奥多比研究院);University of Glasgow(格拉斯哥大学);UCL(伦敦大学学院)
本文提出RenderDiffusion,首个仅用单目二维监督的三维扩散模型,通过在去噪过程中生成并渲染中间三维表示实现三维生成与推断,并支持二维修复编辑三维场景。
2024-02-20 cs.CV cs.LG
Latent Diffusion for Language Generation
Cornell University(康奈尔大学)
针对扩散模型在离散语言领域应用受限的问题,提出结合编码器-解码器语言自编码器与潜在空间连续扩散模型的语言生成方法,在多类生成任务上效果优于过往扩散语言模型。
2023-11-07 cs.CL cs.LG
The Weight Is Over - Interactive Diffusion on Consumer GPUs
Adobe(Adobe公司);NVIDIA(英伟达)
本文针对消费级GPU上的扩散模型推理,提出嵌入翻译器、扫描配方和交互式编辑器,实现亚秒级首令牌时间,兼顾性能、质量与模型占用。
2026-09-21 cs.CV cs.LG cs.PF
Graph Diffusion Transformers for Multi-Conditional Molecular Generation
University of Notre Dame(圣母大学)
本文提出Graph DiT,通过编码器学习多属性表示并结合图依赖噪声模型与Transformer去噪器,实现多条件分子生成,在九项指标上表现优越并验证了气体分离聚合物设计的实用性。
2024-10-03 cs.LG q-bio.BM
Cognitively Inspired Cross-Modal Data Generation Using Diffusion Models
University of Southern California(南加州大学)
针对现有扩散模型跨模态生成存在信息损失且仅支持单向条件生成的问题,本文受人类多模态同步学习启发,提出在训练阶段利用通道级图像条件化学习跨模态相关性的多模态扩散模型方案,实现了以所有相关模态为条件的生成。
2023-05-28 cs.CV cs.LG