图像生成

Analyzing and Improving Fast Sampling of Text-to-Image Diffusion Models

分析和改进文本到图像扩散模型的快速采样

Zhenyu Zhou, Defang Chen, Siwei Lyu, Chun Chen, Can Wang

机构 * State Key Laboratory of Blockchain and Data Security（区块链与数据安全国家重点实验室） ； Institute for Artificial Intelligence and Data Science（人工智能与数据科学研究院） ； University at Buffalo（布法罗大学） 纠错

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

AI总结 本文提出TORS调度策略，通过优化采样轨迹的几何变化，提升文本到图像扩散模型在有限采样步数下的生成质量。

Effective and Efficient Masked Image Generation Models

高效的高效掩码图像生成模型

Zebin You, Jingyang Ou, Xiaolu Zhang, Jun Hu, Jun Zhou, Chongxuan Li

机构 * Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China.（中国人民大学人工智能学院） ； Beijing Key Laboratory of Research on Large Models（北京大型模型研究关键实验室） ； Engineering Research Center of Next-Generation Intelligent Search（下一代智能搜索工程研究中心） 纠错

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

AI总结 eMIGM通过统一掩码图像生成与扩散模型，实现了在ImageNet生成任务中更高的性能和效率。

Gradient-Aligned Calibration for Post-Training Quantization of Diffusion Models

梯度对齐校准用于扩散模型的后训练量化

Dung Anh Hoang, Cuong Pham anh Trung Le, Jianfei Cai, Thanh-Toan Do

机构 * Department of Data Science and AI, Monash University Australia（数据科学与人工智能系，墨尔本大学） 纠错

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

AI总结 本文提出了一种梯度对齐校准的后训练量化方法，通过为校准样本分配最优权重，提升扩散模型的量化性能。

Adaptive Spectral Feature Forecasting for Diffusion Sampling Acceleration

自适应频谱特征预测用于扩散采样加速

Jiaqi Han, Juntong Shi, Puheng Li, Haotian Ye, Qiushan Guo, Stefano Ermon

机构 * Stanford University（斯坦福大学） ； ByteDance（字节跳动） 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Spectrum方法，通过切比雪夫多项式近似实现全局长距离特征重用，提升扩散采样速度并保持高质量样本。

Comments CVPR 2026

DistillKac: Few-Step Image Generation via Damped Wave Equations

DistillKac：通过阻尼波动方程实现少步图像生成

Weiqiao Han, Chenlin Meng, Christopher D. Manning, Stefano Ermon

机构 * MIT（麻省理工学院） ； Stanford（斯坦福大学） 纠错

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

AI总结 DistillKac通过阻尼波动方程和随机Kac表示实现少步高质量图像生成，结合无分类指导和终点蒸馏方法，在保持数值稳定性的同时提升生成质量。

Comments Accepted to ICLR 2026

Physics-Consistent Diffusion for Efficient Fluid Super-Resolution via Multiscale Residual Correction

基于多尺度残差校正的物理一致扩散用于高效流体超分辨率

Zhihao Li, Shengwei Dong, Chuang Yi, Junxuan Gao, Zhilu Lai, Zhiqiang Liu, Wei Wang, Guangtao Zhang

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

AI总结 ReMD通过多网格残差校正和多小波多尺度建模实现高效流体超分辨率，提升精度和频谱保真度，减少发散并降低采样步骤。

Comments Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2026)

Decoupled Diffusion Sampling for Inverse Problems on Function Spaces

解耦扩散采样用于函数空间上的逆问题

Thomas Y. L. Lin, Jiachen Yao, Lufang Chiang, Julius Berner, Anima Anandkumar

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出了解耦扩散逆求解器（DDIS），通过解耦设计提升数据效率和物理感知学习，实现稀疏观测下的高性能逆问题求解。

Comments Accepted to ICLR AI&PDE Workshop (Oral)

StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models

StepVAR: 结构-纹理引导的视觉自回归模型剪枝

Keli Liu, Zhendong Wang, Wengang Zhou, Houqiang Li

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

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

AI总结 StepVAR通过结合结构和纹理重要性，提出无需训练的token剪枝框架，实现视觉自回归模型的高效推理加速。

SoFlow: Solution Flow Models for One-Step Generative Modeling

SoFlow：用于一步生成建模的解流模型

Tianze Luo, Haotian Yuan, Zhuang Liu

机构 * Princeton University（普林斯顿大学） 纠错

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

AI总结 SoFlow通过引入流匹配损失和解一致性损失，实现从头开始的一步生成建模，提升生成性能并优化计算效率。

Comments Accepted to ICLR 2026. Our code is available at https://github.com/zlab-princeton/SoFlow

Percolation-driven $β$ -relaxation enables resonant acceleration of crystallization in amorphous phase-change materials

介电弛豫驱动的β-弛豫促进非晶相变材料结晶加速

Yu-Yao Liu, Liang Gao, Jun-Ying Jiang, Yiming Zhou, Jan Luebben, Di Zhao, Xiaoling Lu, Maximilian J. Müller, Ulrich Boettger, Jiang-Jing Wang, Hai-Bin Yu, Shuai Wei

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 通过共振激发β-弛豫，利用介电弛豫驱动的原子渗透加速非晶相变材料结晶过程。

Comments 17 pages,4 figures

Mean-Flow based One-Step Vision-Language-Action

基于均流的单步视觉-语言-动作

Yang Chen, Xiaoguang Ma, Bin Zhao

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出基于均流的单步VLA方法，通过消除传统流匹配方法的一致性约束，显著提升生成效率，实现实时动作生成，实验表明其在机器人操作中的高效性。