图像生成

SmallWorlds: Assessing Dynamics Understanding of World Models in Isolated Environments

SmallWorlds: 评估世界模型在孤立环境中的动态理解能力

Xinyi Li, Zaishuo Xia, Weyl Lu, Chenjie Hao, Yubei Chen

机构 * University of California, Davis（加州大学戴维斯分校） ； Open Path AI Foundation（Open Path AI基金会） 纠错

专题命中 图像生成评测 ：diffusion(abstract)

AI总结 SmallWorlds通过引入基准测试平台，评估世界模型在孤立环境中的动态理解能力，揭示了不同模型在捕捉环境结构和预测准确性方面的表现及局限性。

A Sampling-Based Domain Generalization Study with Diffusion Generative Models

基于扩散生成模型的采样域泛化研究

Ye Zhu, Yu Wu, Duo Xu, Zhiwei Deng, Yan Yan, Olga Russakovsky

机构 * LIX, École Polytechnique, IP Paris, France（巴黎高等理工学院LIX实验室） ； School of Computer Science, Wuhan University, China（武汉大学计算机科学学院） ； Canadian Institute for Theoretical Astrophysics (CITA), University of Toronto, Canada（多伦多大学理论天体物理研究所） ； Google DeepMind, USA（谷歌DeepMind公司） ； Department of Computer Science, University of Illinois Chicago, USA（伊利诺伊大学芝加哥分校计算机科学系） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；分类 cs.CV

AI总结 本文提出基于采样的域泛化方法，利用预训练扩散模型生成未见域图像，通过潜在空间中的非域先验分离实现高质量图像合成。

Comments NeurIPS 2025 Workshop on Frontiers in Probabilistic Inference: Learning meets Sampling. Code can be found at https://github.com/L-YeZhu/DiscoveryDiff

Accelerating Diffusion Models with Parallel Sampling: Inference at Sub-Linear Time Complexity

通过并行采样加速扩散模型：在亚线性时间复杂度下进行推理

Haoxuan Chen, Yinuo Ren, Lexing Ying, Grant M. Rotskoff

机构 * ICME Stanford University（ICME 斯坦福大学） ； Department of Mathematics and ICME Stanford University（数学系和ICME 斯坦福大学） ； Department of Chemistry and ICME Stanford University（化学系和ICME 斯坦福大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 通过并行采样技术，提出一种在亚线性时间复杂度下高效推理的扩散模型方法，实现了高维数据的快速高效采样。

Comments Accepted at NeurIPS 2024 as a Spotlight Poster (https://openreview.net/forum?id=F9NDzHQtOl)

Decoupled DMD: CFG Augmentation as the Spear, Distribution Matching as the Shield

解耦DMD：CFG增强作为矛，分布匹配作为盾

Dongyang Liu, Peng Gao, David Liu, Ruoyi Du, Zhen Li, Qilong Wu, Xin Jin, Sihan Cao, Shifeng Zhang, Hongsheng Li, Steven Hoi

机构 * Tongyi Lab, Alibaba Group（通义实验室，阿里巴巴集团） ； The Chinese University of Hong Kong（香港中文大学） 纠错

专题命中 效率与蒸馏 ：image generation(abstract)；text-to-image(abstract)；diffusion(abstract)；分类 cs.CV

AI总结 本文提出解耦DMD方法，发现CFG增强是蒸馏核心驱动因素，分布匹配作为正则化器，通过解耦噪声调度提升生成性能。

Saddle-Free Guidance: Improved On-Manifold Sampling without Labels or Additional Training

无鞍点指导：无需标签或额外训练的改进在流形上的采样

Eric Yeats, Darryl Hannan, Wilson Fearn, Timothy Doster, Henry Kvinge, Scott Mahan

机构 * Pacific Northwest National Laboratory（太平洋西北国家实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)；分类 cs.CV

AI总结 无鞍点指导通过利用对数密度估计的正曲率，无需标签或额外训练，提升基于分数模型在流形上的采样效果。

TARFVAE: Efficient One-Step Generative Time Series Forecasting via TARFLOW based VAE

TARFVAE：通过TARFLOW基于VAE实现高效的单步生成时间序列预测

Jiawen Wei, Lan Jiang, Pengbo Wei, Ziwen Ye, Teng Song, Chen Chen, Guangrui Ma

机构 * Meituan（美团） 纠错

专题命中 效率与蒸馏 ：image synthesis(abstract)

AI总结 TARFVAE结合Transformer自回归流与VAE，实现高效单步生成时间序列预测，提升预测效率与性能。