图像生成

SeedVR2: One-Step Video Restoration via Diffusion Adversarial Post-Training

SeedVR2: 通过扩散对抗后训练实现一步视频修复

Jianyi Wang, Shanchuan Lin, Zhijie Lin, Yuxi Ren, Meng Wei, Zongsheng Yue, Shangchen Zhou, Hao Chen, Yang Zhao, Ceyuan Yang, Xuefeng Xiao, Chen Change Loy, Lu Jiang

机构 * Nanyang Technological University（南洋理工大学） ； ByteDance Seed（字节跳动实验室） 纠错

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

AI总结 SeedVR2通过引入自适应窗口注意力机制和改进的损失函数，实现高分辨率视频修复的一步式高效修复方法。

Comments Camera Ready of ICLR2026. Project page: https://iceclear.github.io/projects/seedvr2/

Beyond GEMM-Centric NPUs: Enabling Efficient Diffusion LLM Sampling

超越以GEMM为中心的NPUs：使高效的扩散LLM采样成为可能

Binglei Lou, Haoran Wu, Yao Lai, Jiayi Nie, Can Xiao, Xuan Guo, Rika Antonova, Robert Mullins, Aaron Zhao

机构 * Imperial College London（伦敦帝国学院） ； University of Edinburgh（爱丁堡大学） ； University of Cambridge（剑桥大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出了一种针对扩散LLM采样的NPU架构优化方案，通过轻量级向量原语、内存重用策略和混合精度内存层次结构，实现了2.53倍的加速性能。

Two-Step Diffusion: Fast Sampling and Reliable Prediction for 3D Keller--Segel and KPP Equations in Fluid Flows

两步扩散：用于流体流动中3D凯勒-塞格尔和KPP方程快速采样和可靠预测的方法

Zhenda Shen, Zhongjian Wang, Jack Xin, Zhiwen Zhang

专题命中 效率与蒸馏 ：diffusion(title)

AI总结 本文提出两步扩散方法，用于在流体流动中快速且可靠地解决3D凯勒-塞格尔和KPP方程的采样与预测问题。

Comments 40 pages, 17 figures, 4 tables. Preprint

TwinFlow: Realizing One-step Generation on Large Models with Self-adversarial Flows

TwinFlow: 在大模型上实现一步生成的自对抗流

Zhenglin Cheng, Peng Sun, Jianguo Li, Tao Lin

机构 * Inclusion AI ； Shanghai Innovation Institute（上海创新研究院） ； Westlake University（西湖大学） ； Zhejiang University（浙江大学） 纠错

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

AI总结 TwinFlow 提出了一种无需预训练教师模型和标准对抗网络的一步生成框架，实现了在大模型上高效生成，提升了推理效率并降低了计算成本。

Comments arxiv v1, accepted to ICLR 2026

Efficient Token Pruning for LLaDA-V

LLaDA-V的高效令牌修剪

Zhewen Wan, Tianchen Song, Chen Lin, Zhiyong Zhao, Xianpeng Lang

机构 * Li Auto Inc.（利自动公司） ； SJTU（上海交通大学） 纠错

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

AI总结 本文提出了一种针对LLaDA-V的结构化令牌修剪方法，通过在中层到后期层移除部分视觉令牌，减少计算开销并保持95%的任务性能。

QVGen: Pushing the Limit of Quantized Video Generative Models

QVGen：推动量化视频生成模型的极限

Yushi Huang, Ruihao Gong, Jing Liu, Yifu Ding, Chengtao Lv, Haotong Qin, Jun Zhang

机构 * Hong Kong University of Science and Technology（香港理工大学） ； Beihang University（北京航空航天大学） ； SenseTime Research（商汤科技研究院） ； Monash University（墨尔本大学） ； Nanyang Technological University（南洋理工大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

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

AI总结 QVGen通过量化感知训练框架在极低比特下实现高性能视频生成模型，首次达到全精度质量并优于现有方法。

Comments Accepted by ICLR 2026

One Step Is Enough: Dispersive MeanFlow Policy Optimization

一步即可：分散均流策略优化

Guowei Zou, Haitao Wang, Hejun Wu, Yukun Qian, Yuhang Wang, Weibing Li

机构 * School of Computer Science and Engineering, Sun Yat-sen University, Guangzhou, China（中山大学计算机科学与工程学院） ； Guangdong Key Laboratory of Big Data Analysis and Processing（大数据分析与处理广东省重点实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 DMPO通过单步生成、分散正则化和强化学习微调，在实时机器人控制中实现高效动作生成，性能超越多步基线。

Comments Code and project page: https://guowei-zou.github.io/dmpo-page/

ProFlow: Zero-Shot Physics-Consistent Sampling via Proximal Flow Guidance

ProFlow：通过近端流引导实现零样本物理一致采样

Zichao Yu, Ming Li, Wenyi Zhang, Difan Zou, Weiguo Gao

机构 * University of Science ； School of Mathematical Sciences, Fudan University, Shanghai 200433, China ； Department of Electronic Engineering ； Information Science, University of Science ； School of Computing ； Data Science, The University of Hong Kong ； School of Mathematical Sciences, Fudan University, Shanghai 200433, China \& Shanghai Key Laboratory of Contemporary Applied Mathematics, Shanghai 200433, China 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 ProFlow通过近端引导框架实现零样本物理一致采样，有效平衡物理约束与生成先验的统计结构。

EuleroDec: A Complex-Valued RVQ-VAE for Efficient and Robust Audio Coding

EuleroDec：一种用于高效且鲁棒音频编码的复值RVQ-VAE

Luca Cerovaz, Michele Mancusi, Emanuele Rodolà

机构 * Sapienza University of Rome（萨皮恩扎罗马大学） ； Moises Systems Inc.（莫伊塞斯系统公司） ； Paradigma（帕拉迪玛） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出一种复值RVQ-VAE音频编解码器，通过保持幅度-相位耦合，无需对抗判别器和扩散模型，实现了高效且高质量的音频编码。

Comments Accepted at ICASSP 2026