图像生成

Understanding Generalization in Diffusion Distillation via Probability Flow Distance

通过概率流距离理解扩散蒸馏中的泛化

Huijie Zhang, Zijian Huang, Siyi Chen, Jinfan Zhou, Zekai Zhang, Peng Wang, Qing Qu

机构 * University of Michigan（密歇根大学） ； University of Macau（澳门大学） ； University of Chicago（芝加哥大学） 纠错

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

AI总结 本研究通过引入概率流距离（PFD）度量标准，揭示了扩散蒸馏中泛化能力的关键行为，包括从记忆到泛化的缩放、双下降动态和偏差-方差分解。

Comments 41 pages, 15 figures

Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models

利用扩散生成模型优化压缩感知MRI的采样模式

Sriram Ravula, Brett Levac, Yamin Arefeen, Ajil Jalal, Alexandros G. Dimakis, Jonathan I. Tamir

机构 * Chandra Family Department of Electrical and Computer Engineering, The University of Texas at Austin（查德拉家族电子与计算机工程系，德克萨斯大学奥斯汀分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Imaging Physics, MD Anderson Cancer Center, Houston, Texas, USA（影像物理，MD安德森癌症中心，休斯顿，德克萨斯州，美国） ； Electrical Engineering and Computer Sciences, University of California, Berkeley（电气工程与计算机科学，加州大学伯克利分校） ； Department of Diagnostic Medicine, Dell Medical School, Austin, Texas, USA（诊断医学系，德勒医学学院，奥斯汀，德克萨斯州，美国） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出利用扩散模型优化MRI采样模式，以提高加速多通道MRI重建的质量。

MonarchRT: Efficient Attention for Real-Time Video Generation

MonarchRT：实时视频生成中的高效注意力机制

Krish Agarwal, Zhuoming Chen, Cheng Luo, Yongqi Chen, Haizhong Zheng, Xun Huang, Atri Rudra, Beidi Chen

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University at Buffalo（布法罗大学） ； Morpheus AI 纠错

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

AI总结 MonarchRT通过结构化注意力参数化方法，实现高效实时视频生成，达到95%的注意力稀疏性，优于现有内核性能。

Categorical Flow Maps

分类流映射

Daan Roos, Oscar Davis, Floor Eijkelboom, Michael Bronstein, Max Welling, İsmail İlkan Ceylan, Luca Ambrogioni, Jan-Willem van de Meent

机构 * UvA-Bosch Delta Lab, University of Amsterdam, Amsterdam, Netherlands（阿姆斯特丹大学） ； Department of Computer Science, University of Oxford, Oxford, UK（牛津大学计算机科学系） ； Donders Institute for Brain, Cognition and Behaviour, Radboud University（拉德堡德大学大脑与行为研究所） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 分类流映射通过自我蒸馏实现加速的少步生成，适用于图像、分子图和文本，取得最佳性能。

BrainSymphony: A parameter-efficient multimodal foundation model for brain dynamics with limited data

BrainSymphony: 一种参数高效、多模态的基础模型，用于在有限数据下的脑动态

Moein Khajehnejad, Forough Habibollahi, Devon Stoliker, Adeel Razi

机构 * Turner Institute for Brain and Mental Health（大脑与心理健康Turner研究所） ； School of Psychological Sciences, Monash University（墨尔本大学心理学科学学院） ； Cortical Labs（皮层实验室） ； CIFAR Azrieli Global Scholars Program（CIFAR阿兹里埃利全球学者计划） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 BrainSymphony是一种参数高效、多模态的基础模型，通过整合fMRI和扩散MRI数据，实现有限数据下的脑动态分析，优于更大模型并提升神经科学应用。

Comments 32 pages, 14 figures