图像生成 - arXivDaily 专题

2401.16764 2025-12-19 cs.CV 83%

BoostDream: Efficient Refining for High-Quality Text-to-3D Generation from Multi-View Diffusion

BoostDream: 高效细化用于多视角扩散模型生成高质量文本到3D生成

Yonghao Yu, Shunan Zhu, Huai Qin, Haorui Li

机构 * Waseda University（早稻田大学）； Southeast University（东南大学）

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

AI总结 BoostDream通过高效细化方法，结合多视角SDS损失和法线图指导，实现快速生成高质量的3D资产，提升生成效率和质量。

2512.16093 2025-12-19 cs.CV cs.AI cs.LG 79%

TurboDiffusion: Accelerating Video Diffusion Models by 100-200 Times

TurboDiffusion：通过100-200倍加速视频扩散模型

Jintao Zhang, Kaiwen Zheng, Kai Jiang, Haoxu Wang, Ion Stoica, Joseph E. Gonzalez, Jianfei Chen, Jun Zhu

机构 * Tsinghua University（清华大学）； Shengshu Technology（盛舒科技）； UC Berkeley（加州大学伯克利分校）

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

AI总结 TurboDiffusion通过低比特注意力、步骤蒸馏和W8A8量化等技术，实现视频扩散模型100-200倍加速并保持视频质量。

2512.00878 2025-12-19 cs.CL cs.AI 67%

Less is More: Resource-Efficient Low-Rank Adaptation

少即是多：资源高效的低秩适应

Chunlin Tian, Xuyang Wei, Huanrong Liu, Zhijiang Guo, Li Li

机构 * University of Macau（澳门大学）； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））

专题命中效率与蒸馏：image generation(abstract)；diffusion(abstract)

AI总结 EffiLoRA通过统一A矩阵和动态B矩阵更新，在多种模型中实现更高效且鲁棒的低秩适应。

Comments 18 pages, 7 figures

2512.16915 2025-12-19 cs.CV 57%

StereoPilot: Learning Unified and Efficient Stereo Conversion via Generative Priors

StereoPilot: 通过生成先验学习统一且高效的立体转换

Guibao Shen, Yihua Du, Wenhang Ge, Jing He, Chirui Chang, Donghao Zhou, Zhen Yang, Luozhou Wang, Xin Tao, Ying-Cong Chen

机构 * HKUST(GZ)（香港科技大学（广州））； HKUST（香港科技大学）； Kling Team, Kuaishou Technology（快手科技 Kling 团队）； CUHK（香港中文大学）

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

AI总结 StereoPilot通过生成先验学习实现高效立体转换，提升视觉保真度和计算效率。

2411.11403 2025-12-19 math.NA cs.NA 50%

Hadamard Langevin dynamics for sampling the l1-prior

Hadamard Langevin动态用于采样l1先验

Ivan Cheltsov, Federico Cornalba, Clarice Poon, Tony Shardlow

专题命中效率与蒸馏：diffusion(abstract)

AI总结本文提出Hadamard Langevin动态方法，用于采样l1先验，通过非光滑对数密度的参数化，实现精确后验恢复，并建立理论基础。

2512.16430 2025-12-19 cs.LG cs.NA math.NA 50%

Multi-Fidelity Delayed Acceptance: hierarchical MCMC sampling for Bayesian inverse problems combining multiple solvers through deep neural networks

多保真度延迟接受：用于贝叶斯反问题的分层MCMC采样，通过深度神经网络结合多个求解器

Filippo Zacchei, Paolo Conti, Attilio Alberto Frangi, Andrea Manzoni

机构 * The Alan Turing Institute, London, NW1 2DB, UK（艾伦·图灵研究所）