PiD: Fast and High-Resolution Latent Decoding with Pixel Diffusion
NVIDIA
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。
2026-05-22 cs.CV
Smooth Diffusion: Crafting Smooth Latent Spaces in Diffusion Models
Georgia Tech(佐治亚理工学院);UIUC(伊利诺伊大学厄巴纳-香槟分校);Tsinghua University(清华大学);Picsart AI Research (PAIR)(Picsart人工智能研究院(PAIR))
本文提出 Smooth Diffusion,通过逐步变化正则化和 ISTD 指标构建并评估平滑潜空间,以即插即用 Smooth-LoRA 提升 T2I 生成及下游任务表现。
2023-12-07 cs.CV
LatentCRF: Continuous CRF for Efficient Latent Diffusion
Google Research(谷歌研究院);Stony Brook University(石溪大学)
针对LDM多次推理迭代导致延迟的问题,提出作为神经网络层的连续CRF模型LatentCRF,通过建模潜在向量间关系替代部分计算密集的推理迭代,在无质量和多样性损失下将推理效率提升33%,且无需修改原LDM。
2024-12-24 cs.CV
latentSplat: Autoencoding Variational Gaussians for Fast Generalizable 3D Reconstruction
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Saarland University(萨尔大学)
latentSplat提出了一种在3D潜在空间预测变分语义高斯并结合轻量级2D生成解码器的方法,兼顾回归与生成优势,实现了快速、可扩展且高泛化性的3D重建。
2024-07-30 cs.CV
Isometric Representation Learning for Disentangled Latent Space of Diffusion Models
Seoul National University(首尔大学);Google Research(谷歌研究院)
针对扩散模型潜在空间纠缠和映射畸变问题,提出等距扩散方法,通过几何正则化器学习解纠缠潜在空间,实现更平滑插值、更精确反演和更精细属性控制,实验验证有效。
2024-07-16 cs.CV cs.LG
From Noise to Latent: Generating Gaussian Latents for INR-Based Image Compression
Bytedance Inc.(字节跳动公司)
针对基于INR的图像压缩隐表示表达性不足、E2E方法解码复杂的问题,提出从高斯噪声生成隐变量的范式,通过GPP模块和重参数化技巧实现无隐变量传输的压缩,在Kodak和CLIC数据集取得竞争性能,为首个高斯隐变量生成用于学习型图像压缩的工作。
2025-11-11 cs.CV eess.IV
Improving Inversion and Generation Diversity in StyleGAN using a Gaussianized Latent Space
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
现代生成对抗网络能够从生活在低维学习的潜在空间中的潜在向量创建人工的、照片般真实的图像。已经证明,可以将大范围的图像投影到这个空间中,包括生成器训练的域之外的图像。然而,虽然在这种情况下,生成器再现了图像的像素和纹理,但重建的潜在向量是不稳定的,并且小的扰动会导致显着的图像失真。在这项工作中,我们建议显式地模拟潜在空间中的数据分布。我们表明,在一个简单的非线性操作,数据分布可以建模为高斯,因此表示使用足够的统计。这产生了一个简单的高斯先验,我们使用它来正则化图像到潜在空间的投影。所得到的投影位于潜在空间的更平滑且表现更好的区域中,如使用真实图像和生成图像的插值性能所示。此外,高斯模型的潜在空间中的分布,使我们能够调查在生成器输出的文物的起源,并提供了一种方法,减少这些文物,同时保持多样性的生成图像。
2020-09-14 cs.CV
Latent Diffusion Models with Masked AutoEncoders
Seoul National University(首尔国立大学)
针对现有潜在扩散模型的自编码器无法同时满足潜在平滑性、感知压缩质量、重建质量三项关键属性的问题,提出融合掩码自编码器分层特征的变分掩码自编码器,构建新型潜在扩散模型LDMAE并开源代码。
2025-10-22 cs.CV
Diffusion Models already have a Semantic Latent Space
Yonsei University(延世大学)
扩散模型在各个领域都有出色的生成性能。尽管它们取得了巨大的成功,但它们缺乏控制生成过程所必需的语义潜空间。为了解决这个问题,我们提出了非对称反向过程(Aqlp),它可以发现冻结预训练扩散模型中的语义潜在空间。我们的语义潜在空间,命名为h-空间,具有很好的属性,以适应语义图像操作:均匀性,线性,鲁棒性和跨时间步长的一致性。此外,我们介绍了一个原则性的设计生成过程的通用编辑和质量提升的量化措施:编辑强度的时间间隔和质量缺陷的时间步长。我们的方法适用于各种体系结构(DDPM++,iD-网络和ADM)和数据集(CelebA-HQ,AFHQ-狗,LSUN-教堂,LSUN-卧室和METFACES)。项目页面:https://kwonminki.github.io/Asyrp/
2023-03-29 cs.CV
MedDiME: Efficient Latent Diffusion with Adaptive Masking for Medical Counterfactual Generation
Technical University of Denmark(丹麦技术大学)
针对医学反事实生成中扩散方法速度慢、内存高及掩码不兼容问题,提出MedDiME潜在扩散框架,采用梯度驱动自适应掩码,实现40倍加速和13倍内存降低。
2026-09-15 cs.CV
Diffusion As Self-Distillation: End-to-End Latent Diffusion In One Model
Institute of Artificial Intelligence(人工智能研究院);Peking University(北京大学)
针对标准潜在扩散模型三模块分阶段训练效率低、性能次优的问题,提出DSD框架通过修改训练目标解决潜在崩塌,首次实现单网络端到端训练编码、解码与扩散功能,在ImageNet生成任务上取得优异表现。
2025-11-18 cs.CV
Latent-Reframe: Enabling Camera Control for Video Diffusion Model without Training
University of Rochester(罗切斯特大学)
针对现有视频扩散模型相机控制需微调、成本高且破坏预训练分布的问题,提出Latent-Reframe方法,在采样阶段通过时间感知点云对齐潜码并优化,无需训练即可实现相当或更优的控制精度与视频质量。
2024-12-08 cs.CV
DiffusionCT: Latent Diffusion Model for CT Image Standardization
University of Kentucky(肯塔基大学);Rensselaer Polytechnic Institute(伦斯勒理工学院)
计算机断层扫描(CT)是有效的肺癌筛查,诊断,治疗和预后的方式之一。从CT图像中提取的特征现在用于量化肿瘤的空间和时间变化。然而,从具有定制采集协议的各种扫描仪获得的CT图像可能引入纹理特征的相当大的变化,即使对于同一患者。这对下游研究提出了根本性的挑战,需要一致和可靠的特征分析。现有的CT图像协调模型依赖于基于GAN的监督或半监督学习,性能有限。这项工作解决了CT图像协调使用一个新的扩散为基础的模型,命名为DiffusionCT,标准化从不同的供应商和协议获得的CT图像的问题。DiffusionCT通过将潜在的非标准分布映射到标准分布来在潜在空间中操作。DiffusionCT集成了一个基于Unet的编码器-解码器,并通过集成到瓶颈部分的扩散模型进行了增强。该模型分为两个训练阶段。首先训练编码器-解码器,而不嵌入扩散模型,以学习输入数据的潜在表示。然后在下一个训练阶段训练潜在扩散模型,同时固定编码器-解码器。最后,解码器将标准化图像与变换后的潜在表示合成。实验结果表明,使用DiffusionCT的标准化任务的性能显着提高。
2023-03-25 cs.CV eess.IV
Unleashing the Potential of the Semantic Latent Space in Diffusion Models for Image Dehazing
MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition(脑启发式智能感知与认知联合实验室);University of Science and Technology of China(中国科学技术大学)
本文探索冻结预训练扩散模型语义潜空间中的雾天图像特性,提出DiffLI$^2$D去雾网络,整合不同时间步的扩散潜表示以指导去雾,避免重训练和迭代采样,在多个数据集上优于现有方法。
2025-09-24 cs.CV
PocketSplat: Mobile Gaussian Reconstruction via World-Space Latent Allocatio
PocketSplat提出一种前馈框架,通过世界空间潜在分配和精确容量控制,在移动设备上实现预算受限的高斯重建,在DL3DV和Mip-NeRF 360上达到高质量与低内存的平衡。
2026-10-05 cs.CV
Kaleido Diffusion: Improving Conditional Diffusion Models with Autoregressive Latent Modeling
Apple(苹果公司);Virginia Tech(弗吉尼亚理工大学)
针对扩散模型在高无分类器引导权重下样本多样性受限的问题,提出Kaleido方法,通过自回归语言模型生成多种离散潜在表示作为先验,有效提升了生成图像的多样性与质量,并增强了对生成过程的控制。
2024-05-31 cs.CV
Latent-Compressed Variational Autoencoder for Video Diffusion Models
Aalto University(阿alto大学);ELLIS Institute Finland(ELLIS研究所芬兰);University of Oulu(奥卢大学)
本文提出一种潜在压缩方法,通过去除视频潜在表示中的高频成分而非直接减少通道数,提升视频生成质量与压缩效率。
2026-04-12 cs.AI cs.CV
Alias-Free Latent Diffusion Models: Improving Fractional Shift Equivariance of Diffusion Latent Space
S-Lab, Nanyang Technological University(南洋理工大学S实验室);Wangxuan Institute of Computer Technology, Peking University(北京大学王轩计算机技术研究所)
本文针对潜变量扩散模型生成过程不稳定、对输入平移敏感的问题,通过重新设计平移等变注意力模块并提出抑制特征频率带宽的等变性损失,构建了无混叠潜变量扩散模型AF-LDM,在视频编辑和图像转换等任务中显著提升了一致性。
2025-09-22 cs.CV
Latent Diffusion Inversion Requires Understanding the Latent Space
Vanderbilt University(范德比大学)
本文研究了扩散模型在潜在空间中的记忆现象,发现潜在空间中记忆分布不均,提出通过排序潜在维度来提升模型性能,实验显示在多个数据集上性能提升显著。
2026-03-25 cs.CV cs.LG
EnergyMoGen: Compositional Human Motion Generation with Energy-Based Diffusion Model in Latent Space
ReLER, AAII, University of Technology Sydney(技术悉尼大学);CCAI, Zhejiang University(浙江大学)
本文提出 EnergyMoGen,通过隐空间感知能量模型与语义感知能量模型的协同能量融合,解决隐扩散模型在多语义概念组合动作生成中的不一致与失真问题,在文本到动作、组合式及多概念动作生成任务上超越现有最先进模型,并可用于扩展动作数据集。
2025-06-04 cs.CV
DLWM: Dual Latent World Models enable Holistic Gaussian-centric Pre-training in Autonomous Driving
HKUST(香港科技大学);CUHK-SZ(香港中文大学(深圳));USTC(中国科学技术大学);Huawei Foundation Model Department(华为基础模型部门)
本文提出DLWM,通过双潜在世界模型实现自动驾驶中的整体高斯中心预训练,提升3D占用感知、4D占用预测和运动规划性能。
2026-04-01 cs.CV
Photorealistic and Identity-Preserving Image-Based Emotion Manipulation with Latent Diffusion Models
National Technical University of Athens(雅典国立技术大学)
本文提出一种结合潜在扩散模型与CLIP潜在表示的图像情感操控方法,在AffectNet上验证其在图像质量和真实感方面优于多种GAN方法,并公开代码。
2023-08-06 cs.CV
One Small Step in Latent, One Giant Leap for Pixels: Fast Latent Upscale Adapter for Your Diffusion Models
提出一种轻量级潜在上采样适配器,通过潜在空间单次前向传递实现高分辨率图像合成,提升效率并保持保真度。
2025-11-21 cs.CV
BiSLW: Bi-Spectral Latent Watermarking for Generative Diffusion Models
PDPM Indian Institute of Information Technology, Jabalpur(印度信息技术学院(贾巴尔普尔))
研究针对扩散生成模型易被非法使用且缺乏可靠溯源方法的问题,提出BiSLW框架,利用潜在空间频率结构在互补谱带嵌入身份信号,平衡感知保真度与鲁棒性。
2026-07-07 cs.CV
DC-AE 1.5: Accelerating Diffusion Model Convergence with Structured Latent Space
NVIDIA
针对增加自编码器潜通道数会拖慢扩散模型收敛的问题,研究提出带结构化潜空间与增强扩散训练的DC-AE 1.5,在ImageNet 512x512上实现更优生成质量与4倍速度提升。
2025-08-01 cs.AI cs.CV
CAT: Contrastive Adversarial Training for Evaluating the Robustness of Protective Perturbations in Latent Diffusion Models
Department of Computer Science, City University of Hong Kong, Kowloon, Hong Kong SAR(香港城市大学计算机科学系)
该研究揭示潜在扩散模型中保护性对抗样本的起效机制,提出基于轻量适配器的对比对抗训练CAT方法攻击防护手段,证明其鲁棒性不足,推动相关防护的改进。
2025-06-16 cs.CV
Unsupervised Discovery of Semantic Latent Directions in Diffusion Models
Seoul National University(首尔国立大学);Yonsei University(延世大学)
尽管扩散模型(DM)取得了成功,但我们仍然缺乏对其潜在空间的透彻理解。虽然使用GANs的图像编辑建立在潜在空间上,但DM依赖于编辑文本提示等条件。我们提出了一个无监督的方法来发现可解释的编辑方向的潜变量$\mathbf{x}_t \in \mathcal{X}$的DM。我们的方法采用黎曼几何之间的$\mathcal{X}$和中间特征映射$\mathcal{H}$的U-网提供了一个深刻的理解的几何结构的$\mathcal{X}$。所发现的语义潜在方向大多产生分离的属性变化,并且它们在不同样本之间是全局一致的。此外,在较早的时间步中进行编辑会编辑粗略的属性,而在较晚的时间步中进行编辑则会关注高频细节。我们定义了样本之间线段的曲率,以表明$\mathcal{X}$是一个弯曲的流形。在不同基线和数据集上的实验证明了该方法在稳定扩散上的有效性。我们的源代码将公开提供给未来的研究人员。
2023-02-24 cs.CV
CLAD: Constrained Latent Action Diffusion for Vision-Language Procedure Planning
Machine Perception and Interaction group, Örebro University(机器感知与交互组,奥雷布罗大学);Collaborative Artificial Intelligence group, University of Stuttgart(协作人工智能组,斯图加特大学)
提出CLAD模型,利用变分自编码器学习动作和观测的潜在表示作为约束,引导扩散模型生成动作,在三个数据集上大幅超越现有方法。
2026-06-16 cs.CV
Latent Watermark: Inject and Detect Watermarks in Latent Diffusion Space
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
针对图像质量与水印鲁棒性难以兼顾的困境,提出在潜在扩散空间中注入和检测水印的Latent Watermark方法,采用渐进式训练策略缓解二者矛盾,在多项指标和攻击测试下显著优于现有方法。
2024-09-26 cs.CV
RealOSR: Latent Guidance Boosts Diffusion-based Real-world Omnidirectional Image Super-Resolutions
RealOSR通过高效潜在引导提升基于扩散模型的现实世界全方位图像超分辨率,实现视觉质量和推断速度的显著提升。
2026-03-03 cs.CV cs.GR cs.LG
FrePolad: Frequency-Rectified Point Latent Diffusion for Point Cloud Generation
University of Cambridge(剑桥大学)
本研究提出FrePolad点云生成流水线,结合VAE与潜空间DDPM,通过球谐函数频率校正等方法,在生成质量、多样性、点云基数灵活性及计算效率上实现SOTA性能。
2024-07-12 cs.CV
Prompt-tuning latent diffusion models for inverse problems
Google Research(谷歌研究院);KAIST(韩国科学技术院)
本研究针对现有潜在扩散模型解决成像逆问题时空文本提示性能欠佳、易出伪影的问题,提出实时联合优化文本嵌入的提示调优与潜变量投影方法,组合为P2L,在多类逆任务上性能更优。
2023-10-02 cs.AI cs.CV cs.LG
Image Super-resolution Via Latent Diffusion: A Sampling-space Mixture Of Experts And Frequency-augmented Decoder Approach
Tencent AI Lab(腾讯人工智能实验室)
针对潜在扩散超分辨率的重建失真与模型参数受限问题,提出频率补偿模块和采样空间混合专家方法,在不显著增加推理成本的前提下提升了4倍和8倍盲超分辨率的性能。
2023-12-13 cs.CV
Blind Inversion using Latent Diffusion Priors
Peking University(北京大学)
本文提出LatentDEM,在EM框架中结合潜在扩散先验解决盲反问题,通过交替恢复图像与估计前向算子,并引入两种优化技术,在2D盲去模糊和3D稀疏视角重建上优于现有方法。
2024-07-01 cs.CV
On the Robustness of Latent Diffusion Models
The Chinese University of Hong Kong(香港中文大学);Antgroup(蚂蚁集团);Sun Yat-sen University(中山大学)
针对潜在扩散模型鲁棒性研究不足、缺乏基准数据集的问题,本文从白盒、黑盒场景全面分析其鲁棒性,并提出两类自动数据集构建流程、发布完整基准数据集,助力相关研究。
2023-06-14 cs.CR cs.CV
LatentINDIGO: An INN-Guided Latent Diffusion Algorithm for Image Restoration
Department of Electrical and Electronic Engineering, Imperial College London(帝国理工学院伦敦分校电子与电气工程系)
针对现有潜在扩散图像复原方法依赖预定义退化算子、潜在空间引导不稳定且计算开销大的问题,提出受小波启发的INN并整合出两种潜在扩散方案,在合成和真实低质图像上达到SOTA性能且适配任意输出尺寸。
2025-05-19 cs.CV
Latent Forcing: Reordering the Diffusion Trajectory for Pixel-Space Image Generation
stanford(斯坦福大学);umich(密歇根大学)
本文提出潜在强制方法,通过重新排列扩散轨迹提升像素空间图像生成效率,实现端到端建模优势,取得ImageNet上的新突破。
2026-02-11 cs.CV cs.LG
Kidney Cancer Detection Using 3D-Based Latent Diffusion Models
Department of Medical Imaging, Radboudumc, Nijmegen, The Netherlands(医学影像系,拉德堡德大学医学中心,尼迈根,荷兰)
本文提出基于3D潜在扩散模型的肾癌检测方法,结合DDPMs、DDIMs和VQ-GANs,通过弱监督实现高效异常检测。
2026-01-09 cs.CV
LT3SD: Latent Trees for 3D Scene Diffusion
Technical University of Munich(慕尼黑技术大学)
提出LT3SD潜在扩散模型,利用潜在树表示从粗到细编码3D场景的几何与细节,通过场景块训练实现任意尺寸大规模3D场景的高质量生成与概率补全。
2025-05-01 cs.AI cs.CV
3D-LDM: Neural Implicit 3D Shape Generation with Latent Diffusion Models
National University of Singapore(新加坡国立大学);Technical University of Munich(慕尼黑工业大学);Bernard M. Baruch College(伯纳德·M·巴鲁克学院);Stanford University(斯坦福大学);Computational Design Institute(计算设计研究所);Adobe(奥多比公司)
扩散模型在图像生成方面表现出了巨大的潜力,在生成多样性方面击败了GANs,并具有相当的图像质量。然而,它们对3D形状的应用仅限于点或体素表示,这些表示在实践中不能准确地表示3D表面。我们提出了一个扩散模型的神经隐式表示的3D形状,在潜在的自动解码器的空间。这使我们能够生成多样化和高质量的3D表面。我们还表明,我们可以在图像或文本上调整我们的模型,以使用CLIP嵌入实现图像到3D的生成和文本到3D的生成。此外,将噪声添加到现有形状的潜在代码中,使我们能够探索形状的变化。
2022-12-15 cs.CV
ZipIR: Latent Pyramid Diffusion Transformer for High-Resolution Image Restoration
University of Rochester(罗切斯特大学);Adobe Research(奥多比研究院)
ZipIR通过32倍隐式压缩与隐式金字塔VAE子带结构,使扩散Transformer可高效处理高分辨率图像复原,在2K分辨率上兼顾速度与质量。
2025-04-11 cs.CV
LDFaceNet: Latent Diffusion-based Network for High-Fidelity Deepfake Generation
Birla Institute of Technology and Science, Pilani Campus(毕拉理工科学技术大学皮拉尼校区)
本文提出 LDFaceNet,一种结合人脸分割、识别引导与方向损失的潜在扩散换脸模型,可免重训练加入额外人脸引导,生成更逼真、连贯且多样的高保真换脸图像。
2024-08-04 cs.CV
Adverse Weather Conditions Augmentation of LiDAR Scenes with Latent Diffusion Models
University of Wuppertal(乌珀塔尔大学);Aptiv Services Deutschland GmbH(Aptiv Services德国公司)
本文提出基于潜在扩散模型的方法,通过生成模型增强激光雷达场景在恶劣天气下的真实性,提升自动驾驶系统的鲁棒性。
2025-01-03 cs.CV
Particle-Filtering-based Latent Diffusion for Inverse Problems
University of Waterloo(滑铁卢大学)
本文提出基于粒子滤波的隐式扩散(PFLD)框架,用于逆问题求解时探索解空间,实验显示其在FFHQ-1K和ImageNet-1K数据集的三类逆问题任务中优于SoTA求解器PSLD。
2026-07-30 cs.CV
HPC: Hierarchical Point-based Latent Representation for Streaming Dynamic Gaussian Splatting Compression
MoE Key Laboratory of Brain-inspired Intelligent Perception and Cognition, University of Science and Technology of China(脑启发式智能感知与认知联合实验室,中国科学技术大学);University of Missouri, Kansas City(密苏里大学,堪萨斯城)
HPC提出了一种基于层次点表示的流式动态高斯点云压缩框架,通过减少参数冗余和利用帧间相关性,实现了高效压缩和高保真重建。
2026-01-31 cs.CV
Measurement-Consistent Langevin Corrector for Stabilizing Latent Diffusion Inverse Problem Solvers
Sookmyung Women's University(成均馆女子大学)
针对潜在扩散模型逆问题求解器的不稳定性,提出测量一致朗之万校正器(MCLC),通过测量一致的朗之万更新缩小求解器与稳定反向扩散之间的差距,实现稳定可靠的潜在空间求解。
2026-06-05 cs.CV cs.LG
Creative Painting with Latent Diffusion Models
NVIDIA(英伟达)
近年来,艺术绘画取得了重大进展。潜空间扩散模型(LDMs)利用自编码器将原始图像与压缩的潜空间连接起来,并以交叉注意增强的U-网作为扩散的主干,实现了稳定且高繁殖力的图像生成。在本文中,我们专注于提高当前LDM的创造性绘画能力在两个方向,文本条件扩展和模型再训练与Wikiart数据集。通过文本条件扩展,用户的输入提示扩展了丰富的上下文知识,更深入地理解和解释提示。维基艺术数据集包含近400年来由1,000多位着名艺术家绘制的80 K着名艺术品,风格和流派丰富。通过再培训,我们能够要求这些艺术家在现代主题上绘制新颖和创造性的绘画。通过与原模型的直接对比,证明了该模型的创造性和艺术性。
2022-09-30 cs.AI cs.CL cs.CV
CASL: Concept-Aligned Sparse Latents for Interpreting Diffusion Models
University of Virginia(弗吉尼亚大学)
CASL通过监督框架将扩散模型的稀疏潜在维度与语义概念对齐,提升生成图像的解释性和编辑精度。
2026-01-21 cs.CV cs.LG
A Simple Latent Diffusion Approach for Panoptic Segmentation and Mask Inpainting
INSAIT;Google DeepMind(谷歌DeepMind)
提出基于稳定扩散的潜在扩散方法,简化全景分割架构,无需复杂模块,通过两步训练实现掩膜修复,在COCO和ADE20k上表现优异,并支持多任务。
2024-07-16 cs.CV cs.LG
Disentanglement in T-space for Faster and Distributed Training of Diffusion Models with Fewer Latent-states
Amazon(亚马逊)
该研究挑战扩散模型需大量潜态的假设,通过精心设计噪声调度实现少潜态训练,并提出T空间完全解耦的单潜态模型,组合后生成高质量样本且收敛速度快4-6倍。
2025-08-20 cs.CV cs.LG
Investigating Data Memorization in 3D Latent Diffusion Models for Medical Image Synthesis
Heidelberg University Hospital(海德堡大学医院);German Centre for Cardiovascular Research(德国心血管研究中心);Heidelberg University(海德堡大学);University Medical Center Mannheim(曼海姆大学医学中心)
本文评估三维潜在扩散模型在两类医学影像数据上的记忆能力,利用对比学习自监督模型检测训练样本记忆,发现模型确实存在记忆现象并呼吁开发缓解策略。
2023-07-06 cs.CV eess.IV
Latent Diffusion Model without Variational Autoencoder
Department of Automation, Tsinghua University(自动化系,清华大学);Kling Team, Kuaishou Technology(快手科技 Kling 团队)
SVG提出了一种无需变分自编码器的潜在扩散模型,通过自监督表示提升视觉生成的效率和质量。
2026-03-02 cs.AI cs.CV
Sampling 3D Gaussian Scenes in Seconds with Latent Diffusion Models
University of Glasgow(格拉斯哥大学);University of Edinburgh(爱丁堡大学)
本研究提出仅用2D图像训练的3D场景潜在扩散模型,通过自编码器构建3D高斯泼溅的潜在表示并训练多视图扩散模型,在两个大规模数据集上实现0.2秒生成高质量3D场景,速度较同类模型快一个数量级。
2024-06-18 cs.CV cs.LG
The Impact of VAE Design on Latent Pose Representations for Diffusion-based Sign Language Production
CNRS(国家科学研究中心);Inria(法国国家信息与自动化技术研究所);LORIA(洛林信息与自动化研究所)
研究变分自编码器(VAE)架构和训练目标设计如何影响潜在空间结构,进而影响基于潜在扩散模型的手语生成性能,发现潜在空间特性比重建精度更能解释生成性能差异。
2026-06-23 cs.AI cs.CV