University of Michigan（密歇根大学安娜堡分校）

Latent Forcing: Reordering the Diffusion Trajectory for Pixel-Space Image Generation

潜在强制：重新排列扩散轨迹以生成像素空间图像

Alan Baade, Eric Ryan Chan, Kyle Sargent, Changan Chen, Justin Johnson, Ehsan Adeli, Li Fei-Fei

机构 * stanford（斯坦福大学） ； umich（密歇根大学） 纠错

AI总结 本文提出潜在强制方法，通过重新排列扩散轨迹提升像素空间图像生成效率，实现端到端建模优势，取得ImageNet上的新突破。

Comments 8 pages, 6 figures

Spectra: Rethinking Optimizers for LLMs Under Spectral Anisotropy

Spectra: 重新思考在谱各向异性下大语言模型的优化器

Zhendong Huang, Hengjie Cao, Fang Dong, Ruijun Huang, Mengyi Chen, Yifeng Yang, Xin Zhang, Anrui Chen, Mingzhi Dong, Yujiang Wang, Jinlong Hou, Qin Lv, Robert P. Dick, Yuan Cheng, Fan Yang, Tun Lu, Li Shang

机构 * Fudan University, Shanghai, China（复旦大学） ； University of Bath, Bath, United Kingdom（巴斯大学） ； Oxford Suzhou Centre for Advanced Research, Suzhou, China（牛津苏格兰先进研究中心） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院） ； Department of Computer Science, University of Colorado Boulder, Colorado, USA（计算机科学系，科罗拉多大学博尔德分校） ； Department of Electrical Engineering and Computer Science, University of Michigan（电气工程与计算机科学系，密歇根大学） 纠错

AI总结 Spectra通过抑制主导低秩尖峰子空间并减少优化器状态内存，提升了大语言模型的训练效率和下游准确率。

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

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

Shallow Diffuse: Robust and Invisible Watermarking through Low-Dimensional Subspaces in Diffusion Models

浅层扩散：通过扩散模型中低维子空间实现的鲁棒且不可见的水印技术

Wenda Li, Huijie Zhang, Qing Qu

机构 * University of Michigan（密歇根大学） 纠错

AI总结 本文提出Shallow Diffuse，一种通过扩散模型中低维子空间实现鲁棒且不可见水印的技术，提升了水印的检测性和数据生成的一致性。

Comments NeurIPS 2025 Spotlight

Improving Efficiency of Diffusion Models via Multi-Stage Framework and Tailored Multi-Decoder Architectures

通过多阶段框架和定制多解码器架构提高扩散模型的效率

Huijie Zhang, Yifu Lu, Ismail Alkhouri, Saiprasad Ravishankar, Dogyoon Song, Qing Qu

机构 * University of Michigan（密歇根大学） ； Michigan State University（密歇根州立大学） 纠错

AI总结 本文提出多阶段框架和定制多解码器架构，以提高扩散模型的训练和采样效率。

Comments The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2024