图像生成

VSF: Simple, Efficient, and Effective Negative Guidance in Few-Step Image Generation Models By Value Sign Flip

VSF: 在少步图像生成模型中通过值符号翻转实现简单、高效且有效的负引导

Wenqi Guo, Shan Du

机构 * Department of CMPS University of British Columbia（计算机科学与工程系，不列颠哥伦比亚大学） ； Department of MEOW, Weathon Software（MEOW系，Weathon软件公司） 纠错

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

AI总结 VSF通过值符号翻转在少步图像生成模型中实现高效负提示引导，提升生成质量与稳定性。

Efficient Tail-Aware Generative Optimization via Flow Model Fine-Tuning

通过流模型微调实现高效的尾部感知生成优化

Zifan Wang, Riccardo De Santi, Xiaoyu Mo, Michael M. Zavlanos, Andreas Krause, Karl H. Johansson

机构 * KTH Royal Institute of Technology（皇家理工学院） ； ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（ETH人工智能中心） ； Duke University（杜克大学） 纠错

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

AI总结 本文提出TFFT算法，通过CVaR的变分对偶公式实现高效的尾部行为塑造，适用于生成模型的分布性微调。

Comments 33 pages

pi-Flow: Policy-Based Few-Step Generation via Imitation Distillation

pi-Flow：基于策略的少步生成通过模仿蒸馏

Hansheng Chen, Kai Zhang, Hao Tan, Leonidas Guibas, Gordon Wetzstein, Sai Bi

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

AI总结 pi-Flow通过模仿蒸馏策略，实现少步生成模型的稳定训练和高质量输出。

Comments ICLR 2026. Code: https://github.com/Lakonik/piFlow Demos: https://huggingface.co/spaces/Lakonik/pi-Qwen | https://huggingface.co/spaces/Lakonik/pi-FLUX.1 | https://huggingface.co/spaces/Lakonik/pi-FLUX.2

Motion Prior Distillation in Time Reversal Sampling for Generative Inbetweening

时间反演采样中用于生成中间帧的运动先验蒸馏

Wooseok Jeon, Seunghyun Shin, Dongmin Shin, Hae-Gon Jeon

机构 * Department of Artificial Intelligence, Yonsei University（延世大学人工智能系） ； AI Graduate School, GIST（韩国国立信息科学院人工智能研究生院） 纠错

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

AI总结 本文提出运动先验蒸馏技术，通过蒸馏正向路径的运动残差到反向路径，以减少时间反演采样中的不连续性和伪影，提升生成中间帧的连贯性。

Comments Accepted at ICLR 2026. Project page: https://vvsjeon.github.io/MPD/

Diffusive Scaling Limits of Forward Event-Chain Monte Carlo: Provably Efficient Exploration with Partial Refreshment

扩散尺度极限下的前向事件链蒙特卡洛方法：具有部分刷新的可证明高效探索

Hirofumi Shiba, Kengo Kamatani

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文研究了前向事件链蒙特卡洛方法在高维下的扩散尺度极限，证明其在效率上优于最优调优的BPS，通过部分刷新实现高效探索。

Comments 43 pages, 5 figures