跳转至

🎨 图像生成

🧠 NeurIPS2026 · 206 篇论文解读

📌 同领域跨会议浏览: 🎞️ ECCV2026 (344) · 📷 CVPR2026 (495) · 🔬 ICLR2026 (355) · 💬 ACL2026 (5) · 🧪 ICML2026 (141) · 🤖 AAAI2026 (80)

🔥 高频主题: 扩散模型 ×71 · 文生图 ×18 · 对齐/RLHF ×11 · 图像编辑 ×10 · 布局/合成 ×10

ABC: Any-Subset Autoregression via Non-Markovian Diffusion Bridges in Continuous Time and Space

提出 ABC 框架,通过在连续时间和状态空间中构建单条非马尔可夫连续扩散桥 SDE,使噪声注入尺度与物理耗时自适应对齐,并借助高斯过程回归与 Girsanov 测度变换导出免仿真的路径依赖去噪得分匹配目标,实现了支持任意非因果子集约束的高保真随机过程生成。

Accelerating Rectified Flow Models via Trajectory-Aware Caching

本文提出无训练缓存加速框架 TACache,通过对整流流(Rectified Flow)离散速度加速度进行平行-正交几何分解,在离线阶段基于幅值与方向累积变差双阈值确定安全跳步表,并在在线推理时结合离线统计量与样本自身历史正交方向递归重建跳步速度,在无需额外模型前向评估的前提下实现文本到图像最高 4.14×、文本到视频 2.11× 的高质量加速。

Active Flow Expansion for Out-of-Distribution Discovery: from Theory to Molecules

针对标准流与扩散模型仅匹配观测数据分布而无法探索分布外有效空间的局限,本文提出主动流扩展算法(ActFlow),在流表示空间基于验证器不确定性引导主动生成并持续微调,建立了首个基于可达性的分布外生成理论保证,并在分子、多肽与蛋白质设计中显著提升了有效覆盖率与多样性。

Align & Invert: Solving Inverse Problems with Diffusion and Flow-based Models via Representation Alignment

本文提出在推理阶段将扩散/流模型的中间隐层表征与自监督视觉编码器(DINOv2)对齐,通过代理特征引导与理论收缩保证,在无真实图像监督下显著提升反问题重建的感知质量并减少采样步数。

All Roads Lead to Rome: Flow-driven Multi-Anchor Exploration for Open-Environment Active 3D Mapping

本文用条件流匹配生成多个长期探索锚点,再通过障碍感知规划、探索模式聚类与层次路径选择决定机器人怎么走,在 AiMDoom 同难度评测及难度迁移、AiMDoom→MP3D 跨数据集迁移中提高建图覆盖率,但不提供任意开放环境的泛化保证。

An exact information theory of generalization phase transitions in Bayesian diffusion models

本文提出解析可解的贝叶斯信息受限扩散(BIRD)模型,通过统计物理随机能量模型严格证明了记忆-泛化相变边界满足受限观测与真实数据的互信息等于训练样本数的对数(\(I(\varphi;\mathcal{C}_{x,t})=\ln|\mathcal{D}|\)),并证实空间局部 BIRD 模型在训练早期能够以约 0.85–0.93 的中位 \(r^2\) 逐样本精确预测 UNet 与 DiT 的生成输出,从理论上揭示了扩散模型通过动态信息受限克服维度灾难的核心机制。

Analytical Correction for Subsampling Bias in Drifting Models

针对漂移模型(Drifting Models)中使用小批量样本计算 softmax 加权质心时产生的 \(\mathcal{O}(1/n)\) 子采样收缩偏差,本文提出无额外采样、无一阶方差放大的解析偏差修正(ABC),仅需两行代码即可将偏差压制至 \(\mathcal{O}(1/n^2)\)。

Are Text-to-Image Models Inductivist Turkeys? A Counterfactual Benchmark for Causal Reasoning

本文提出包含三层递进提示框架的反事实因果推理基准 CF-World 与自动评测流水线 CF-Eval(含先验抵抗率 PRR 和推理保持率 RRR 指标),系统揭示了当前文生图模型因规则与视觉属性严重纠缠而难以摆脱训练集高频常识先验的本质瓶颈。

Are we really tilting? The mechanics of reward guidance in flow and diffusion models

本文在理论上揭示了扩散与流模型奖励引导中“奖励黑客(reward hacking)”与模态选择失效的根本原因在于有限粒子插件(plug-in)对 Doob \(h\)-函数的有偏近似,进而提出零额外开销的闭式奖励阻尼调度消除模态内坍缩,并阐明 Best-of-\(n\) 采样在跨模态选择中的补偿作用。

Asymptotically Exact Negative Guidance of Diffusion Models via Positive-Unlabeled Learning

提出 PU Steering 框架,将扩散模型负向引导重构为针对显式规避目标密度的渐近精确采样问题,利用粒子系统在线训练正类无标签(PU)分类器估计后验几率,并结合序贯蒙特卡洛(SMC)重采样消除局部排斥偏差。

Balancing Frequencies and Pixels in Flow Matching

针对像素空间流匹配模型因自然图像 \(1/f^2\) 功率谱分布而优先拟合低频、迟滞高频纹理学习的频谱偏差问题,本文提出将对数压缩频域残差与最大残差归一化结合的焦点对数频率损失(\(\bm{f}\)-loss),并通过 Sigmoid 调度在训练早期强调频域均衡、后期平滑切换至像素空间 \(\bm{v}\)-loss 精修相位与边缘(合称 \(\bm{fv}\)-loss),在零架构改动下将收敛速度提升最高达 40%,并在 ImageNet \(256\times 256\) 上以 500k 步取得 1.83 FID 与 323.4 IS 的领先性能。

Barycentric Guidance: Turning Foundation Image Editors into Continuous Affective Controllers

提出无需训练的重心情感引导(Barycentric Guidance)框架,通过在效价-唤醒度(VA)平面构建离散情感单纯形网格并重构无分类器引导得分,将通用基础图像编辑扩散模型无缝转换为连续的情感定向控制器。

Beckmann Transport Models: From Autonomous Flows to One-Step Maps

针对传统流匹配依赖时间条件网络与多步数值积分的问题,本文证明了当目标分布支撑在余维数至少为 2 的低维流形上时,无时间依赖的自治流可通过散度守恒实现精确测度输运,并利用特征线守恒方程推导出无需核函数的 stop-gradient 一步映射学习算法。

Bernoulli Flow Models: Self-Consistent Generative Modeling for Binary Data

本文提出伯努利流模型(BFM),通过在二值参数空间预定义统一的连续全局伯努利概率流路径并推导任意时间跨度的闭式后验转移分布,彻底消除了离散扩散在少步跨步采样时的训练-推理结构失配,在无需蒸馏或重训的前提下将 LSUN Churches \(256\times 256\) 的 16 步采样 FID 从基线 BLD 的 204.10 大幅降至 9.22。

Best-of-\(N\) Guidance for Test-time Diffusion Alignment

提出无需前向/后向展开(Rollout-free)的测试期对齐方法 BoNG,将 Best-of-\(N\) 原理内化到逆向扩散过程,利用粒子群在线推选的高奖赏 Tweedie 估计作为非对称引导信号,兼具卓越的单样本与多样本生成质量且仅增加极小推理延迟。

Best-of-N Guidance for Test-time Diffusion Alignment

针对传统 Best-of-N 仅在后处理选优且无法改善平均样本分布、而现有采样引导方法依赖繁重 rollout 的瓶颈,本文提出免展开(rollout-free)的 Best-of-N Guidance (BoNG),在线利用一步去噪样本评选最高奖励粒子作为引导目标,在无需额外神经网络梯度或前向计算的前提下实现了单样本与多样本的高质量对齐。

Beyond Trajectory Matching: ReFlow with Marginal Distribution Alignment

针对传统 ReFlow 仅依赖轨迹匹配导致端点边际分布欠定(under-determined)的理论缺陷,本文提出一种免额外训练网络的边际分布对齐正则项(MA-Reflow),通过伴随 ODE 追踪对数密度变化并结合冻结教师模型的 score 函数,严格约束流模型端点分布,实现高质量少步(4步)图像生成。

BitDance: Scaling Autoregressive Generative Models with Binary Tokens

BitDance 提出了一种基于高熵二值视觉 Token(词表规模最高达 \(2^{256}\))的可扩展自回归图像生成框架,通过二值扩散头(Binary Diffusion Head)和下一 Patch 扩散(Next-Patch Diffusion)并行预测机制,在 ImageNet 256×256 上取得自回归模型最优的 1.24 FID,并在 1024×1024 文生图任务上实现超 30 倍推理加速。

Boosting Text-to-Image Diffusion Models via Core Token Attention-Based Seed Selection

本文揭示去噪早期阶段对提示词中核心主体词元(Core Tokens)的交叉注意力响应强度可强力预测最终图像生成质量,并据此提出无需训练、即插即用的早期注意力种子筛选方法 ABSS,在仅需 71–73 NFE 的推理开销下显著提升 U-Net 与 DiT/Rectified-Flow 架构的图文对齐度与人类偏好得分。

Bridge Graphical Models: Coupling, Projection, and Current-Preserving Dynamics for Generative Modeling

本文提出桥图模型(BGM)统一框架,将连续时间生成模型解耦为端点耦合、桥核、马尔可夫投影与保流动力学表示四个独立模块,并定义了训练前即可在数分钟内估算的“马尔可夫化间隙(Markovization Gap)”诊断指标,在理论与图像生成实验中准确预测不同耦合与桥设计的流匹配训练损失及生成质量。

BridgeTwist: Twisting Schrödinger Bridges for Training-Free Conditional Sampling

针对预训练无条件薛定谔桥生成模型缺乏免训练后验采样机制的空白,提出结合速度场与得分场双通道终点预测器的退火扭曲 SMC 采样框架 BridgeTwist,实现渐进精确且兼顾多样性与保真度的即插即用条件生成。

CAB: Accelerating Flow and Diffusion Sampling via Rectification and Corrected Adams-Bashforth

针对流模型与扩散模型在低 NFE(6-20 步)采样中易失真失稳的难题,CAB 将反向 ODE 统一变换至信噪比坐标系消除漂移,并引入基于历史速度外推残差的修正项,在每步仅需 1 次网络评估的约束下实现了高阶收敛与高保真快速采样。

ColorConceptBench: A Benchmark for Probabilistic Color-Concept Understanding in Text-to-Image Models

本文提出包含 1,281 个隐式概念与 6,584 份专业设计师着色标注的评测基准 ColorConceptBench,通过概率颜色分布距离(如 EMD)替代传统的单点颜色确定性匹配,系统评测了 9 个主流文本到图像生成模型对抽象视觉状态和情感语义的色彩理解能力。

Concurrence of Symmetry Breaking and Nonlocality Phase Transitions in Diffusion Models

本文首次在现代图像扩散 Transformer(DiT-XL 与 SD3 Medium)中通过瞬态分数探针与积分采样探针实证统一了“对称性破缺”与“非局域性”两种相变视角,证明语义引导与全局跨块注意力在相同的临界时间窗内同步激活,为按需裁剪局部注意力与窗口化条件引导提供了定量诊断工具。

Contextual Flow Matching: Adaptive Step Selection in Flow Models for Efficient Visual Generation

本文提出一种免预训练的推理期自适应步数选择框架 CoFlow,通过提取提示词的轻量级语义与结构上下文特征,利用神经上下文赌博机(NeuralUCB)和基于速度场相对变化率的无监督代理奖励在线决策积分步数,在图像生成、图像编辑与视频生成上实现超过 \(2.5\times\) 的推理加速并保持生成质量。

Continual Learning in Modern Hopfield Networks with an Application to Diffusion Models

利用现代 Hopfield 网络(MHN)与扩散模型的隐式能量等价性,将任务切换后的无监督遗忘定义为 Hopfield 能量的上升(内禀遗忘),从理论上证明高能量的孤立样本处于更尖锐的能量盆地因而更易遗忘,并据此推导出高能量优先的记忆重放选择策略,在 Stable Diffusion 和像素空间 DDPM 的持续学习实验中验证了能量对遗忘程度与重放收益的精确预测。

Coreset-Induced Conditional Velocity Flow Matching

本文提出核心集诱导的条件速度流匹配(CCVFM),通过熵正则化 Sinkhorn 核心集与低秩高斯混合模型(GMM)构建零参数的闭式条件速度源分布,使内层修正流只需学习从代理分布到真实目标的模态内残差而非从各向同性高斯噪声开始跨越模态传输,在 51 NFE 下于 MNIST(\(\text{FID}_{50k}=0.75\))、CIFAR-10(\(6.35\))、ImageNet-32(\(8.76\))和 CelebA-HQ 256(\(\text{FID}_{28k}=4.17\))上取得优异的少步生成性能。

CSFlow: Aligning Flow Matching with Human Contrast Sensitivity

本文首次建立流匹配逆向去噪频谱演化与人类对比敏感度函数(CSF)之间的数学联系,通过估计各时间区间新生成的空间频率并按人眼感知敏感度赋权,在无需重训的推理步长调整与短程微调中分别或联合提升像素空间生成模型的视觉真实感与定量指标(FID 降低 4.7%、IS 提升 2.2%、GenEval 提升 2.5%)。

Cyclic Denoising Reveals Ultrastable Memories in Diffusion Models

受非晶固体周期驱动下“随机组织”与机械退火物理机制启发,本文提出仅靠采样器级前向加噪与逆向去噪交替迭代的“频闪循环去噪”(Cyclic Denoising)方法,在不依赖任何提示词、训练集检索、梯度或辅助分类器的前提下,暴露出扩散模型生成流形中的屈服相变与超稳记忆吸引子,实现了完全无条件、数据无关的训练图像盲提取与记忆诊断。

D-OPSD: On-Policy Self-Distillation for Continuously Tuning Step-Distilled Diffusion Models

本文发现采用大语言模型或视觉语言模型作为编码器的现代扩散模型天然继承了编码器的上下文学习能力,进而提出同策自蒸馏框架 D-OPSD,让同一模型分别在纯文本条件与图文多模态条件下扮演学生与教师,在学生自身的少步采样轨迹上进行速度场对齐,从而在无需外部奖励模型的前提下实现步数蒸馏扩散模型的高质量概念定制与持续微调。

D2D: Detector-to-Differentiable Critic for Improved Numeracy in Text-to-Image Generation

针对文生图扩散模型难以精确生成指定目标数量(Numeracy)的问题,本文提出 D2D 框架,通过高曲率 Sigmoid 激活与 Logit 动态缩放将原本离散枚举的非可微目标检测器转化为可微计数判别器,并在推理阶段通过微型潜在修改网络优化初始噪声先验,在极低计算开销下显著提升各类扩散骨干的计数准确率。

DC-DiT: Adaptive Compute and Elastic Inference for Visual Generation via Dynamic Chunking

DC-DiT 用端到端学习的编码器-路由-解码器脚手架替代 DiT 静态 patchify,基于局部空间可预测性自适应压缩 token 序列,实现单模型权重的弹性推理与无监督时空算力动态分配。

Delta-Adapter: Scalable Exemplar-Based Image Editing with Single-Pair Supervision

本文提出 Delta-Adapter,通过从单对源-目标示例图像中提取与图像内容解耦的视觉特征“语义差分(Semantic Delta)”并经由 Perceiver 适配器注入冻结的 FLUX 扩散模型,在无需文本指令和“双样本对(pair-of-pairs)”监督的条件下实现了可扩展的示例驱动图像编辑与单样本测试时自适应。

Designing Reinforcement Learning for Diffusion Models: A Unified Path-Space View

本文从连续时间路径空间重要性采样与价值梯度方差缩减出发,将扩散模型逆向轨迹策略梯度(如 Flow-GRPO)与前向加噪匹配(如 AWM、DiffusionNFT)统一到单一五参数设计空间中,并提出复用组内轨迹的多样本 KDE 价值梯度估计器与尺度有界权重准则,在 SD3.5-Medium 与 Qwen-Image 上实现了显著更快的 RL 收敛速度与更高奖励。

DetailAnywhere: Fashion Detail Generation via Cross-Modal Feature Alignment Distillation

针对电商服装细节特写生成中多模态扩散分支语义失配与细节幻觉问题,本文提出跨模态特征对齐蒸馏框架 DetailAnywhere,利用轻量级判别式教师模型将语义与结构表征分别蒸馏至 MMDiT 的文本与图像分支,并结合多维一致性奖励模型进行强化学习微调,实现了高保真且身份一致的无提示词细节特写生成。

DiDE:Direct Injection with Color-Texture DEcoupling for 3D Stylization

DiDE 揭示了 3D 扩散潜空间中纹理仅饱和少量方差显著通道的过完备特性,通过专用分支预处理、自注意力通道切分融合以及无训练直接注入,实现了对 3D 资产颜色与纹理的独立解耦控制。

Diff-CA: Separating Common and Salient Factors with Diffusion Models

本文提出 Diff-CA 框架,首先利用 DINOv3 跨查询编码与颜色 Token 训练低噪声依赖的流匹配生成模型,随后在仅靠数据集级二元弱监督的条件下,通过可识别的加性结构将条件 Token 分解为共有因子与显著因子,从而在不牺牲图像高保真度的前提下实现精准的显著属性交换与插值。

Diff-Instruct with Diffused Reward: Towards Principled One-step Generator RL

本文针对单步文生图强化学习中端点奖励与轨迹正则化失配导致的“终端奖励主导”崩溃难题,提出基于积分KL散度的无数据对齐框架Didr,通过扩散奖励分数与可微短步去噪代理将RLHF最优分布前向扩散至全轨迹噪声层级,使单步SDXL与6B DiT在单步下全面超越多步参考基线。

DiffRatio: Training One-Step Diffusion Models Without Teacher Supervision

DiffRatio 抛弃了传统分数蒸馏中依赖预训练教师网络打分的双网络模式,直接通过时间步条件化的轻量密度比估计器计算学生分布与真实数据分布的对数比梯度,消除了双重分数估计偏差,在 CIFAR-10 与 ImageNet 上实现了领先的无教师单步扩散生成与推断期并行重要性重采样扩展。

Diffusion Guidance Is a Controllable Policy Improvement Operator

本文首次在理论上严格证明了扩散模型与流匹配中的无分类器引导(CFG)等价于强化学习中的策略改进算子,提出无需重训即可在测试期连续调控探索-最优权衡的 CFGRL 框架,并在无需拟合价值函数的纯目标条件模仿学习中实现了性能的免费大幅跃升。

Diffusion Models Observe Only Gradients: A Geometric Perspective on Score Matching Errors

本文通过加权 Helmholtz-Hodge 几何分解揭示了扩散模型分数匹配误差中仅有梯度分量会影响反向边缘分布演化(螺线管分量在结构上不可观测),进而推导出更紧致的 KL 散度上界,并基于对偶 Sobolev 恒等式构建了与图像生成质量(FID)高度相关的可计算诊断器。

Diffusion Models without Classifier-free Guidance

提出模型引导(Model-guidance, MG),将原本在推理阶段通过两阶段外推实现的无分类器引导(CFG)转化为训练期隐式贝叶斯后验分数的端到端学习,彻底移除推理阶段的无条件前向计算,将推理吞吐提升一倍并在 ImageNet 256×256 上创下 1.34 FID 的 SOTA 记录。

Direct Product Flow Matching: Decoupling Radial and Angular Dynamics for Few-Shot Adaptation

针对基于流匹配的视觉语言模型少样本迁移中径向与角向耦合导致的角速度畸变及模态置信度丢失问题,DP-FM在扭曲积黎曼流形框架下推导出最优恒定扭曲度量,将跨模态对齐解耦为独立的径向演化与球面恒速测地线输运,并结合隐状态无分类器引导显著提升对齐精度。

Discrete Diffusion Models Exploit Asymmetry to Solve Lookahead Planning Tasks

揭示了前瞻规划任务中正向分支歧义与逆向确定性之间的结构不对称性,证明离散扩散模型通过自发采纳逆向解码机制将高阶前瞻转化为一阶邻居转移,以远低于自回归模型的样本量和浅层网络实现完美规划。

Discrete Flow Matching: Convergence Guarantees Under Minimal Assumptions

针对有限离散状态空间上的流匹配模型(DFM),本文基于最近邻与均匀随机游走参考过程及离散马尔可夫概率模型(DMPM)时间离散化采样方案,在仅依赖神经网络得分逼近误差的极简假设下,首次推导出早停目标分布的非渐近 KL 散度界以及真实目标分布的全变差(TV)距离收敛上界。

Disentangled Representation Learning via Flow Matching

将解耦表示学习建模为紧致潜空间内的因子条件流匹配过程,并通过输出注意力与非重叠正交正则化解耦速度场,实现兼顾高保真生成与精确语义干预的高质量解耦表征。

Disentangled Sparse Representations for Concept-Separated Diffusion Unlearning

针对传统稀疏自编码器仅以重构为目标导致概念表征纠缠并引发附带遗忘的问题,本文提出 SAEParate,通过交叉注意力引导的空间聚合与隐空间对比学习显式分离概念表征,配合非线性编码器实现高精度、低干扰的扩散模型概念遗忘。

Disentangling Dual Image References in Frequency Aware Diffusion Models for Personalized Generation

本文提出免训练频域感知双参考扩散框架 Dual-FDM,通过交叉注意力键投影矩阵的奇异值求逆分离背景表征,并在离散余弦变换(DCT)频域中按任务替换中频结构或低频色彩频段,配合基于信息熵比的早晚期去噪时间步自适应调制,有效解决了个性化主体定制与色彩/风格迁移中的文本对齐失真与特征泄漏问题。

DisRFM: Polar Riemannian Flow Matching for Structure-Preserving Graph Domain Adaptation

本文提出极坐标黎曼流匹配框架 DisRFM,通过在常曲率流形的原点切空间做径向与角向极坐标解耦,分别使用一维 Wasserstein 距离校准拓扑尺度、使用置信度门控与径向加权原型对齐类别语义,并通过停梯度极坐标最优传输耦合与度量校正流匹配替代对抗训练,在节点密度、边密度与特征偏移等跨图域分类任务上全面超越现有基线。

Do Image Editing Models Understand Lighting?

本文提出了基于 1,000 对真实室内高动态范围(HDR)开关灯图像对的 3D-anchored Light Probe (3DLP) 基准,并设计了对全局白平衡、曝光与光源色温强度变化完全不变的 标准化强度误差(SIE) 与 低频梯度误差(LFE) 两个像素级物理指标,系统揭示了主流图像编辑模型在真实物理光线传输上的能力边界与视觉语言模型(VLM)评判的失效现象。

Drag as Evidence: Motion-Grounded Latent Recomposition for Drag-Based Editing

将像素空间双向变形结果视为粗粒度运动证据而非中间图像,通过区域感知潜在重组与生成阶段自适应条件切换,使先进多模态生成模型在保持真实质感的同时实现高精度拖拽控制。

DrawingsDreamer: A Unified Multi-View Engineering Drawings Generation Model

DrawingsDreamer 将多视角工程制图表示为基于分层后置分词的纯离散序列,摆脱栅格图像编码器,并通过任务感知课程学习在单一大语言模型内统一实现局部拓扑修复与多视角宏观图纸生成。

Dream-Cubed: Controllable Generative Modeling in Minecraft by Training on Billions of Cubes

本文构建了包含超过 200 万个 \(32^3\) 方块区块(数百亿体素)的大规模 Minecraft 数据集 Dream-Cubed,并基于统一的 280M 参数 3D Diffusion Transformer 对比了离散掩码扩散(MD4)与连续嵌入扩散(DDPM),证明直接以原生离散方块作为 token 进行掩码扩散不仅在渲染 FID(59.26)与人类偏好胜率(对真实区块达 67.1%)上匹敌或超越真实地形,还能零样本解锁局部补全、生态群系混合、自定义方块条件提示以及多区块大尺度滑窗外推。

Drift Flow Matching

本文提出漂移流匹配(Drift Flow Matching, DFM),将漂移模型的分布级正负样本吸引-排斥监督机制引入流匹配的连续概率路径中,通过学习任意时间对 \((t,r)\) 之间的平均速度传输映射,在保持一步生成高效率的同时实现了无需 JVP 与自蒸馏的多步测试时扩展(Test-Time Scaling),在 ImageNet \(256\times 256\) 上仅用 463M 参数即取得 1 步 FID 1.52、10 步 FID 1.31 的优异表现。

DyCoRM: Dynamic Criterion-Aware Reward Modeling for Text-to-Image Generation

本文提出两阶段动态准则感知文生图奖励模型 DyCoRM(先从图文上下文接地任务相关的细粒度评估准则,再在给定准则条件下执行成对图像偏好比较),并配套构建了包含 23,378 对图像的 DyCoDataset-20K 数据集、DyCoBench-1K 评测基准与生成图像优选框架 DyCoPick,在单准则、多准则与整体偏好评估中全面超越 HPSv3 和 GPT-5 等基线。

DynT2I-Eval: A Dynamic Evaluation Framework for Text-to-Image Models

针对静态提示词集容易发生过拟合与基准污染的问题,提出全自动动态评测框架 DynT2I-Eval,通过解构长文本构建结构化语义提示词空间,并在微批次胜负比较下结合 UCB 调度与置信加权贝叶斯更新,维持自进化的文本到图像生成在线排行榜。

Edit-R2: Context-Aware Reinforcement Learning for Multi-Turn Image Editing

针对多轮交织图像编辑中长上下文意图稀释与误差状态污染难题,Edit-R2 提出情境思维链重构会话意图,并联合离散文本与连续潜空间流匹配进行轨迹级强化学习与前缀有效优势修正。

Edit the Bits, Diff the Codes: Bitwise Residual Editing for Visual Autoregressive Models

提出 BitResEdit 框架,直接挖掘按位残差视觉自回归模型的内在代数特性,通过在采样决策期施加闭式伯努利 KL 置信域的源负向引导(BitEdit)与在隐空间合成期执行掩码门控的连续残差代码注入(ResEdit),实现了免训练且兼顾极致文本对齐与背景严格保持的高保真图像编辑。

Efficient Adjoint Matching for Fine-tuning Diffusion Models

通过将随机最优控制框架的基础漂移重新设计为满足无记忆性的线性形式并推导修正终端代价,消除了传统伴随匹配中高开销的全轨迹前向 SDE 模拟与反向伴随 ODE 模拟,实现收敛速度提升高达 4 倍且理论最优路径完全等价的高效扩散模型奖励微调。

Efficient bias mitigation in T2I diffusion models using Concept Graphs

提出 CO-ALIGN 框架,通过分别从文本编码器和降噪器交叉注意力层提取概念神经元图谱,并借助可微排序损失联合对齐二者的概念拓扑,在消除人口统计学偏见的同时避免语义崩溃,并能泛化增强对抗概念遗忘的鲁棒性。

Efficient Image Synthesis with Sphere Latent Encoder

提出 Sphere Latent Encoder 框架,通过引入预训练表征自编码器将重建与生成解耦,在纯超球面隐空间内完成去噪与采样迭代,避免了像素与隐空间频繁往复计算,以极低计算代价实现了高质量的极少步图像生成。

Emergence of Distortions in High-Dimensional Guided Diffusion Models

本文运用统计物理学中的动态平均场理论(DMFT)与随机能量模型(REM),证明了高维高斯混合模型中分类器自由引导(CFG)的生成失真仅在类别数随维度呈指数增长或连续类别时必然涌现,并提出引入负引导时间窗的调度策略以同时增强类别分离度与生成多样性。

Enabling Preference-driven Unlearning in Few-step Distilled Text-to-Image Diffusion Models

针对少步蒸馏扩散模型参数化与短轨迹破坏传统噪声预测误差假设的问题,本文提出了基于一致性误差的偏好驱动遗忘框架 CePU,在无需昂贵重新蒸馏的前提下,仅用单卡 15 分钟即可实现高效的概念与有害内容擦除并保持非目标生成效用。

EPIC: Efficient Predicate-Guided Inference-Time Control for Compositional Text-to-Image Generation

EPIC 将组合式文生图的推理期优化建模为谓词导向搜索,将文本提示词一次性解析为固定的类型化视觉程序,并基于局部感知证据驱动靶向编辑与重采样,在显著降低模型调用与 token 开销的同时大幅提升复杂提示词对齐率。

Equilibrium Matching: Generative Modeling with Implicit Energy-Based Models

Equilibrium Matching (EqM) 摒弃了扩散与流匹配模型对时间/噪声条件的依赖及非平衡动力学,通过构造在真实数据流形处梯度消失的目标场来学习隐式能量景观的平衡态梯度,使推理生成转化为自适应步长的梯度下降优化,在 ImageNet 256×256 上取得 1.90 FID 并原生支持部分加噪去噪与无监督 OOD 检测。

Ergodic Trajectory Design by Learned Pushforward Maps: Provable Coverage via Conditional Flow Matching

针对无人机与机器人空间遍历覆盖中在线重优化代价高、动力学约束难迁移的瓶颈,提出将遍历性与密度匹配解耦的双阶段架构:利用圆环域解析隐式轨迹提供严格均匀遍历性,通过最优传输条件流匹配离线学习单个连续推力映射将其推向目标密度,实现可复用、具有 \(O(1/\sqrt{K})\) 收敛界与能量/禁飞区软约束模块化嵌入的遍历轨迹生成。

Expanding the Role of Diffusion Models for Robust Classifier Training

打破扩散模型在对抗训练中仅用于合成数据采样的常规范式,提出扩散表示对齐(DRA)技术,将冻结扩散模型的中间层去噪表示作为辅助表征先验蒸馏给判别分类器,在零推理开销下显著提升模型的干净准确率、AutoAttack 鲁棒性以及特征空间的可解耦性。

Feature Information Dynamics in Diffusion

本文基于经典 I-MMSE 恒等式提出特征信息动态(Feature Information Dynamics)理论框架与链式分解方法,将特征信息密度转化为无条件与条件去噪损失之差,首次在连续信噪比坐标上定量刻画了不同表征空间(像素、SDVAE、VAVAE、RAE)对视觉特征生成时序的重塑机制。

FiRe: Fine-grained Multimodal Reasoning for Enhanced Image Generation

针对统一多模态大语言模型在文本生成图像时缺乏细粒度自反思与精确纠错的问题,FiRe 提出了涵盖提示词事实摘要、语义元组解构、元组级视觉问答、精准反馈生成与局部保留重绘的六步闭环推理机制,并配套引入基于步级奖励与步级优势估计的强化学习算法 FiRe-GRPO,在 GenEval、GenEval++ 与 DPGBench 等复杂组合生成基准上显著超越同类扩散与自回归基线。

Fixed-Point Masked Generative Modeling

本文提出面向掩码生成模型的不动点去噪框架 CoFRe,利用参数共享的不动点层替代中间固定深度的 Transformer 堆叠以支持自适应深度,并结合跨步一致性损失与 token 级三状态重用规则,在显著降低参数量和显存的同时大幅提升低前向预算下的生成质量。

FlashControl: One-Step Controllable Generator via Distillation-Friendly Single-Stream Teachers

针对 ControlNet 等双分支结构在单步扩散蒸馏中优化不稳定与条件失效的问题,本文提出了基于 FFN 选层微调的单流教师模型 DeltaControl,并配合 AutoAdapter 统计对齐与潜变量敏感性保持正则,实现了仅需单次前向推理(1 NFE)的高保真空间可控生成。

Flow-DPPO: Divergence Proximal Policy Optimization for Flow Matching Models

Flow-DPPO 揭示了高维连续潜空间中比率截断(ratio clipping)因单样本高斯采样噪声导致的有偏估计缺陷,利用流匹配去噪步高斯分布均值位移直接解析计算精确 KL 散度,构建基于方向感知的确定性散度掩码,以零额外开销实现严格置信域优化与高样本效率多轮复用。

Flow Matching for Count Data

针对高维计数数据离散非负、跨度大且难以连续化的难点,本文提出基于局部单步生死过程的流匹配框架 count-FM,通过条件二项式桥实现无模拟边缘转移率匹配,在单细胞测序与神经脉冲生成中以更少参数实现更高质量的分布传输与生成。

FLUX: Geometry-Aware Longitudinal Flow Matching with Mixture of Experts

针对非配对纵向时间序列中底层流形弯曲与动力学机制潜在跃迁的双重挑战,FLUX 结合数据驱动度量构建流形感知路径,并利用稀疏混合专家网络分解速度场,在实现高质量纵向传输的同时完成无监督动态机制发现。

Follow the Mean: Reference-Guided Flow Matching

基于流匹配速度场本质由条件端点均值决定的数学性质,本文提出通过参考样本动态平移端点均值的控制生成新范式,既实现了冻结文生图模型的免训练即插即用属性控制(RMG),又构建了支持动态换库的半参数流匹配架构(SPG)。

FoMo: Forking Moment in Generative Trajectory as a Perceptual Distance

本文提出全自动、免人工标注的数据生成管线 FoMo,利用扩散模型去噪轨迹中的分叉时刻作为图像对之间的点对点感知距离代理,并通过批次内全局排序交叉熵损失进行端到端监督,在多个基准与模型架构上显著超越基于人工标注的经典方法。

Gen-Searcher: Reinforcing Agentic Search for Image Generation

提出 Gen-Searcher 作为首个面向图像生成的主动式多模态深度搜索智能体,构建了专用数据管线与 KnowGen 基准,通过文本与图像双奖励反馈驱动的 GRPO 强化学习,为下游生成模型提供高质接地的文本线索与视觉参考图,使 Qwen-Image 在 KnowGen 上实现 16.54 分的跨越式性能提升。

Generalized Wasserstein Flow Matching: Transport Plans, Everywhere, All at Once

将流匹配推广至元测度空间(概率测度上的概率测度),构建嵌套的内外最优传输方案,并通过切片与懒惰线性近似解决了高阶传输复杂度爆炸问题,实现端到端高保真点云与经验测度生成。

Generate in Reconstruction Space, Match in Semantic Space: Transport Geometry for One-Step Generation

将样本生成限制在易重构的VAE隐空间、同时将分布匹配目标提升至紧凑紧致的冻结自监督(SSL)语义特征空间,借助Sinkhorn散度与新推导的训练期CFG实现单步图像生成39倍FID提升,并揭示了指标作弊机制。

Generation Navigator: A State-Aware Agentic Framework for Image Generation

将文生图重构为状态条件化的序列动作决策问题,提出闭环多轮智能体 Generation Navigator 与轨迹级强化学习算法 PRE-GRPO,联合优化峰值质量、质量留存与轮次效率,显著提升复杂推理与知识密集型图像生成表现。

Generative Modeling via Drifting

本文提出漂移模型(Drifting Models),跳出扩散/流动模型在推理端迭代求解的范式,将分布推进过程转移到训练期动态演化,借助反对称漂移场驱动生成样本趋向真实数据平衡态,实现了原生的高质量单步(1-NFE)图像生成。

GenEvolve: Self-Evolving Image Generation Agents via Tool-Orchestrated Visual Experience Distillation

GenEvolve 将开放式图像生成重构为工具编排的多轮视觉轨迹学习任务,通过对比同请求下最佳与最差轨迹抽取五槽结构化视觉经验并注入特权教师分支,利用在策略自蒸馏与 GRPO 实现图像生成智能体的自演化。

GenScale: A Benchmark for Relative Object Scale in Image Generation and Editing

针对现代图像生成与编辑模型频繁违背真实物理尺寸比例的缺陷,本文提出了首个专注于成对相对物体尺度的基准 GenScale、校准的序数评测协议,以及无需微调生成器的尺度修正智能体 Rescale。

GeoFidelity-Bench: Evaluating Block-Conditioned Geographic Fidelity in Text-to-Image Street-View Generation

构建首个以命名街区为评估单元的街景文生图基准 GeoFidelity-Bench,通过真实 Mapillary 街景参考面板、细粒度提示控制与同城困难负样本检索,系统诊断并揭示了主流扩散模型在局部地理保真度上的盲区及传统文本对齐指标的失效。

GMO-E²dit: Grounded Multi-Operation Editing for E-Commerce Images

针对真实电商海报局部多操作编辑中一次性生成易错、无回滚机制的痛点,提出由视觉语言模型充当规划与反思智能体、结合掩码条件图像编辑器的 GMO-E²dit 框架,实现基于结构化议程与动态状态诊断的闭环可审计编辑。

Guiding Visual Autoregressive Models through Spectrum Weakening

提出无需重新训练与额外条件的频域弱化引导(SWG)机制,通过沿隐藏特征通道维度的离散傅里叶变换与频段截断构建弱引导分支,并引入能量重归一化,攻克了自回归模型难以无条件引导的难题。

GVCC: Zero-Shot Video Compression via Codebook-Driven Stochastic Rectified Flow

将预训练整流流视频生成模型转化为边际保持的随机微分方程,通过传输每步码本选取的噪声原子索引与符号直接驱动解码端生成轨迹,实现无需重训的端到端超低码率零样本视频压缩。

HandEdit: A Unified Benchmark for Egocentric Human-to-Robot Dexterous Hand Image Editing

针对第一人称人手操作向灵巧手机器人视觉迁移中存在的具身表征鸿沟与物理交互破损问题,本文构建了首个支持 26 种 URDF 机器人配置、包含 2 亿编辑实例的大规模具身感知图像编辑基准 HandEdit,并提出了融合多维度具身保真度与几何接触一致性的评测体系。

Heavy-Tailed Flow Matching via Random Clocks

本文提出基于随机时钟的重尾流匹配框架(HTFM),通过路径随机时钟将重尾源分布表示为条件高斯尺度混合,在保持高斯流匹配显式仿射目标与低步数采样优势的同时,通过截断对数签名实现时钟条件化速度场与多族重尾分布的精确校准生成。

HERO: Improving the Reliability and Sensitivity of Generative Model Evaluation Using Historical Data

针对生成式 AI 评测中专家金标昂贵稀疏、众包或 AI 银标异质且存在偏差的难题,本文提出 HERO 框架,利用多轮历史评测沉淀的锚定金标通过 EM 算法校准银标标注者可靠性以消除偏差,并引入跨轮共享 prompt 协变量构建得分层控制变量实现方差缩减,在 3D 资产缺陷与安全评测基准上显著降低了估计 MSE。

Hierarchical Variational Policies for Reward-Guided Diffusion

针对预训练扩散模型测试时引导优化计算开销巨大的瓶颈,提出将引导采样形式化为分层变分策略(HVP),通过两阶段摊销学习初始噪声分布与步进随机控制策略,以单次前向采样(AHVP)实现提速 5 倍以上并保持 SOTA 感知质量,同时支持轻量测试时微调(SHVP)。

How Diffusion Models Memorize

揭示扩散模型记忆训练数据并非单纯源于传统过拟合,而是由 Classifier-Free Guidance 在去噪早期线性放大条件预测引发对训练样本的过度估计(Overestimation),进而导致潜空间轨迹早熟坍缩并抹除初始随机性。

HyperTransport: Amortized Conditioning of T2I Generative Models

HyperTransport 提出利用轻量超网络将编码器(如 CLIP)的概念表征直接映射为文生图模型的仿射激活干预参数,并以一维 Wasserstein 最优传输损失进行端到端训练,从而将新概念的优化开销彻底摊销为单次前向推理(加速 3600–7000 倍),同时天然解锁了图像引导文生图的跨模态零样本控制能力。

Ideal: In-DEpth ALignment Makes A Discrete Representation AutoEncoder

针对视觉基础模型(VFM)深层语义特征缺少底层细节导致重建模糊的问题,IDEAL 提出在离散向量量化前通过交叉注意力融合浅层外观与深层语义特征,并在解码端引入双分支深浅特征对齐与 DINO 判别器,在 ImageNet 上达成 0.61 rFID 重建与 1.89 gFID 自回归生成 SOTA。

Improved Baselines with Representation Autoencoders

RAEv2 针对表征自编码器(RAE)重建质量受限、不兼容 CFG 需额外模型导引以及与 REPA 关系不明等瓶颈,提出无参数多层求和特征聚合、揭示 RAE 与 REPA 的互补正则机制,并将 REPA 头重参数化为零开销的潜空间自导引,在 ImageNet-256 上仅用 80 轮训练便达到 1.06 gFID 与 2.17 \(\text{FD}_r^6\),收敛速度提升逾 10 倍。

Improved Techniques for Fine-Tuning Flow Models via Adjoint Matching: A Deterministic Framework

本文提出面向流匹配(Flow Matching)生成模型微调的确定性伴随匹配(Deterministic Adjoint Matching)控制框架,通过引入时域截断伴随(Truncated Adjoint)与高阶多项式正则化,在大幅消除早期噪声积分开销并将单步耗时从 345 秒骤降至 32 秒的同时,显著提升对齐质量并遏制模式坍塌。

Improving Flexible Image Tokenizers for Autoregressive Image Generation

针对传统嵌套丢弃导致信息向头部过度聚集并在下游自回归模型中产生生成瓶颈的问题,本文提出 ReTok 框架,通过冗余 Token 填充与分层语义正则化激活尾部 Token 并实现自粗至细的高保真生成。

Improving Function Space Flow Matching with Kernel Optimal Transport

针对函数空间流匹配中独立端点配对导致速度场方差大、难以捕获无限维几何结构的问题,本文提出基于核诱导代价的端点最优传输配对方法(kFFM),在不改变神经算子架构的前提下大幅提升了时序路径与 PDE 场分布生成的质量与训练稳定性。

Inline Critic Steers Image Editing

针对基于指令的图像编辑在不同空间区域与样本难度高度不均衡的瓶颈,提出在模型前向传播中引入可学习的 Critic Token,无需额外采样步骤或外部判别器,即时预测中间层误差分布并引导隐状态更新。

Keep It CALM: Analyzing the Limits of Global Unsafety in Text-to-Image Generation

本文从几何角度揭示了文生图免训练防护中全局不安全子空间的覆盖率与选择性权衡困境,进而提出 CALM 框架,利用成对反事实锚点实现提示词自适应路由与文本/残差双重局部极小化修正,在多基准和新架构上实现高抑制率与良性语义保留。

L2P: Unlocking Latent Potential for Pixel Generation

L2P 提出了 Latent-to-Pixel 知识迁移范式,通过舍弃 VAE、采用大 Patch 图像分块与轻量级 Detailer Head 解码,并冻结预训练 LDM 核心 Transformer 骨干,仅需 8 张 GPU 和源模型自身合成的数据即可低成本构建高性能像素级扩散模型,原生解锁 4K 超高清生成。

Learning a Maximum Entropy Model for Visual Textures using Diffusion

本文提出首个利用扩散去噪机制无监督学习视觉纹理统计量的最大熵概率模型框架,仅用 512 个统计量即达到或超过经典 Gatys 模型(约 17.7 万统计量)的纹理重采样质量,并展现出平滑的凸性插值能力。

Learning Domain Trajectories with Flow Matching for Gradual Domain Adaptation

FlowGDA 将渐进式域适应重新表述为表征空间统计流形上的连续流匹配过程,通过免模拟的速度场回归、源锚定语义一致性约束与两阶段序贯课程优化,克服了传统离散对齐的误差累积与对抗训练不稳定问题。

Learning to Generate Multiple Objects from Dense and Occluded Layouts

针对密集重叠布局中文本到图像扩散模型极易出现的实例归属崩溃与错误融合成块问题,本文提出基于深度排序的重叠归属布局注意力偏置,并联合利用全貌与可见面积比动态放大被遮挡物体梯度的无感重加权损失(AIBL),在不增加推理额外输入的前提下大幅提升多目标计数准确率。

Learning to Sample From Diffusion Models via Inverse Reinforcement Learning

将冻结去噪器的扩散采样过程建模为离散时间有限时域 MDP,利用逆向强化学习直接最小化采样轨迹与真实数据边缘分布间的 f-散度状态占用度量,以单次训练替代昂贵的采样超参数网格搜索。

Learning Unbiased Permutations via Flow Matching

提出直接在行和与列和为 1 的仿射子空间上进行条件流匹配的 PermFlow 框架,通过代数闭式切空间投影器保持严格线性约束,结合最近目标耦合消除熵正则化偏置并实现多模态置换分布的准确恢复。

LoRAtorio: An intrinsic approach to LoRA Skill Composition

Low-Dimensional Adaptation of Rectified Flow: A Diffusion and Stochastic Localization Perspective

本文从随机局部化视角确立了 Rectified Flow (RF) 与扩散模型 (DDPM) 的内在等价性,并设计了一种理论保证的 U 型非均匀时间步长方案与自适应随机采样器,首次证明 RF 能自适应目标分布的内在低维结构实现 \(\tilde{\mathcal{O}}(k/\varepsilon)\) 的快速收敛。

MaskSense: Confronting the Visual Exploration Trap in Masked Image Generation

针对掩码生成模型基于置信度解码导致探索空间过早坍缩的“视觉探索陷阱”,本文提出 MaskSense 框架,通过语义锚定路由采样保持主体探索多样性,并结合全局熵跃迁锚定将策略梯度集中在关键解码步,大幅提升了图像对齐与生成质量。

MegaStyle: Constructing Diverse and Scalable Style Dataset via Consistent Text-to-Image Style Mapping

利用先进文生图模型中由风格描述映射到一致图像风格的能力,构建包含 170K 风格提示词与 140 万风格图像对的规模化数据集 MegaStyle-1.4M,并训练出专用风格表征编码器与基于 FLUX 的泛化风格迁移模型。

Metropolis-Adjusted Diffusion Models

针对基于分数的扩散模型在采样校正阶段无调整郎之万算法(ULA)引入非渐近消失离散化偏差的问题,本文提出 Metropolis 调整扩散模型(MADM),将难以计算的目标密度比转化为分数函数的线积分,并给出了基于双硬币伯努利工厂的严格精确校正算法与单次辛普森积分的高效近似校正方案。

Midpoint Generative Models

提出基于流匹配时间中点对称性的中点生成模型(MGM),通过随机时间翻转与对称随机插值构建严格非负判别的中点散度,推导出极小化极大变分训练目标,实现无需预训练教师模型直接从数据端到端学习高质量单步图像生成器。

MIND: Monge Inception Distance for Generative Models Evaluation

针对传统 FID 依赖高维协方差估计导致的样本效率低下与易受矩匹配攻击缺陷,本文提出基于切片瓦瑟斯坦距离的 Monge Inception Distance (MIND),仅需 5k 样本即可达到 FID-50k 的判别精度,且计算速度提升两个数量级。

MiniDog: Dog-Breed Text-to-image Flow Matching from Pretraining to Fine-Tuning on 4 Consumer GPUs

MiniDog 提出了一套针对狗品种文本生成图像的高效轻量级训练框架,基于 Rectified Flow 与 LightningDiT 架构,仅用 4 张 RTX 3090 消费级显卡在 55 分钟内完成预训练并在 15 分钟内完成监督微调,显著降低了生成式扩散模型全流程研发门槛。

Multiscale Supervised Unbalanced Optimal Transport Flow Matching

提出了多尺度监督非平衡最优传输流匹配框架(MUST-FM),利用分层数据结构在无模拟条件下求解连续非平衡输运与质量变化,通过块内独立提升策略消除了细粒度点对点耦合的存储与求解开销,实现了百万级单细胞图谱的快速轨迹推断。

NAMVIS: Next-Scale Autoregressive Multi-View Image Synthesis

NAMVIS 提出了首个无扩散迭代的几何条件尺度自回归(Next-Scale Autoregressive)稀疏多视角合成框架,通过多尺度投影位姿编码与双路径外观调节,实现了较主流扩散模型快 3 倍以上的高保真几何一致多视角图像生成。

On the Limits of Latent Reuse in Diffusion Models

本文首次从统计与几何理论层面严格刻画了扩散模型在分布偏移下冻结复用源潜空间表征的不可消除得分误差极限,证明了该误差受主角度未对齐与时间尺度放大的环境噪声共同支配,并给出了混合域联合表征消除错配的充要几何条件。

On the Robustness of Watermarking for Autoregressive Image Generation

本文系统评估了离散自回归与位级自回归图像生成的水印安全漏洞,提出了基于近邻量化再生、隐空间梯度优化以及频域注入的三种新型攻击,揭示了无需原模型参数或秘密密钥即可高效擦除或单图伪造水印,证实依赖阈值调整无法弥补伪造脆弱性。

One View Is Enough: In-the-Wild Monocular Pretraining for Novel View Generation

OVIE 用冻结深度模型把 30M 张单图转换为局部有效的伪视图训练对,以遮罩重建与感知损失学习可见区域、以全图对抗先验补全未知区域,最终仅凭源图和目标位姿单次前向生成新视角,在 H100 上达到 116 FPS,并能通过多视图微调提升域内表现。

Opening the Black Box of Classifier-free Guidance via Information Bottleneck

本文从时间依赖的信息瓶颈理论切入,揭示无分类器引导(CFG)的有效性在去噪轨迹中呈非均匀分布,并据此设计了一种免训练的自适应得分统计量阈值激活策略。

Optimal Convergence Analysis of DDPM for General Distributions

本文针对一般数据分布建立了DDPM采样器的细粒度收敛性理论,在松弛的非均匀Lipschitz光滑性条件下证明了TV距离收敛速度为 \(\widetilde{O}(\frac{\sqrt{d}\min\{L,\sqrt{d}\}}{T})\)(当 \(L \le \mathrm{poly}(\log(dT))\) 时达到最优的 \(\widetilde{O}(\frac{\sqrt{d}}{T})\)),首次在理论上证明DDPM享有与确定性DDIM相同的 \(\sqrt{d}\) 维度依赖,并建立了紧匹配的理论下界。

ORCA: Hunting Compositional Failures in Text-to-Image Diffusion

提出 ORCA(正交残差组合对齐),在训练阶段利用 T5 与 CLIP 的嵌入残差动态参数化正交投影基底,将扩散隐状态对齐到冻结 DINOv2 的低秩主成分空间,以零推理开销显著降低文生图中的属性错配与空间关系混淆。

OverLay++: Dense-Overlap Layout-to-Image Generation Dataset

针对布局到图像(Layout-to-Image)生成在密集遮挡与复杂交互场景中经常失效的瓶颈,本文构建了包含约 50 万张图像的高质量数据集 OverLay++,通过 MLLM 提示与局部重叠检测、逐目标区域裁剪闭环重验以及双粒度层级多模态重描述,将标注物体密度提升至 6.6 个/图(提升 1.67×)、局部重叠 IoU 增至 0.31 并提供长短双层描述,显著提升主流 L2I 模型的空间对齐、属性保真度与收敛效率。

Panoptic Scene Program Diffusion Transformer

PSP-DiT 把包含实例、属性、关系与数量的全景场景程序变成与图像共同去噪的潜变量,用区域归属和循环一致性监督约束其视觉实现,在匹配的内部基线上将 GenEval 2 从 32.8 提升至 38.2,同时报告约 1.12 倍推理时延。

Parallel Rollout Approximation for Pixel-Space Autoregressive Image Generation

针对像素空间自回归图像生成中高维patch单步误差大以及教师强制训练与自回归推理不匹配导致的跨步误差累积难题,本文提出并行rollout近似(PRA),通过端到端低维上下文感知中间态生成与并行的退化-解码像素反馈构造,在保持“像素输入-像素输出”原生接口的同时实现极具竞争力的生成与理解性能。

ParetoSlider: Diffusion Models Post-Training for Continuous Reward Control

提出了基于前向流匹配后训练的多目标连续控制框架 ParetoSlider,通过轻量级偏好向量条件注入与独立优势标准化的后验标量化(Late-Scalarization)机制,使单套权重即可在推理时平滑滑动遍历完整的生成奖励帕累托前沿。

Path-independent Flow Matching for Multi-parameter Generative Dynamics

提出路径无关流匹配(PiFM),建立多时间参数概率路径与耦合向量场的无模拟回归范式,利用李括号零交换子约束与仿射概率路径消除动力学路径依赖性,并在理论与实验上证明其近似多分布间的Wasserstein重心。

PDE-SSM: A Spectral State Space Approach to Spatial Mixing in Diffusion Transformers

将一维状态空间模型通过可学习的对流-扩散-反应偏微分方程拓展至二维多维空间,利用频域闭式格林函数实现 \(\mathcal{O}(N\log N)\) 空间复杂度的特征混合,并在 Diffusion Transformer 中无缝替换自注意力机制,在高分辨率小 patch 场景下实现超越或持平 DiT 的生成质量与数十倍训练加速。

Permutation-Invariant Spectral Learning via Dyson Diffusion

针对现有图扩散模型将置换等变归纳偏置强加于神经网络架构而导致WL等价图谱盲区的问题,本文提出基于戴森布朗运动的戴森扩散模型(DyDM),通过随机矩阵理论将谱动力学与特征向量解耦,在李群及李代数流形上实现完全置换不变的高保真图谱与图生成。

PiD: Fast and High-Resolution Latent Decoding with Pixel Diffusion

PiD 将潜在空间到像素空间的解码过程重构为条件像素扩散模型,将潜在解码与超分辨率上采样统一为单一生成模块,并通过噪声感知门控和 DMD2 蒸馏实现 4 步极速 2K/4K 像素级高质量图像重建。

PISA: Piecewise Sparse Attention Is Wiser for Efficient Diffusion Transformers

针对传统块稀疏注意力在高稀疏度下直接截断非关键块导致生成质量骤降的问题,PISA 提出一种免训练的分段稀疏注意力机制,对关键块精确计算、对海量非关键块通过混合阶泰勒展开进行高效近似,并在统一的在线 Softmax 框架内无缝融合,在 Wan2.1、Hunyuan-Video 与 FLUX 上实现 1.2×–2.57× 的端到端无损加速。

PixelART: Image-to-Layer Decomposition without Latents or Text-to-Image Pretraining

PixelART 摒弃了传统方案依赖的预训练文本生成图像(T2I)大底模与 RGBA-VAE 潜在表示,提出首个从零训练的像素空间整流流单流 Transformer,配合终端增强时间步采样,实现了高质量、高效率且边缘清晰的图像到图层可编辑分解。

PixelDense: Dense Prediction as Representation Alignment for Pixel Diffusion

针对多教师表征对齐中语义不变性与几何度量结构相互冲突的问题,PixelDense 将冻结的语义编码器(DINOv2、SAM2)与几何估计器(Depth Anything v2、Metric3D v2)解耦为双并行投影流,并通过权重空间正交正则化迫使去噪器在不相交的特征子空间中吸收互补结构先验,在零推理开销下显著提升像素扩散模型的组合生成与几何保持能力。

PixelDiT2: Representation-Grounded Pixel Diffusion Transformers

PixelDiT2 在每次像素去噪时重新编码当前噪声图像,以冻结 DINO 的逐块表示和时间步适配器提供空间条件,在不引入自编码器的前提下取得 ImageNet-256 的 FID 1.46(600 epochs)和 ImageNet-512 的 FID 1.48(680 epochs)。

PRECISE: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models

针对流匹配模型在线强化学习后训练中采样器探索不稳定与离散化偏差痛点,提出 Precise 采样器,通过对数信噪比(logSNR)平衡探索调度与冻结干净隐变量后验均值的 SDE 一致闭式步进,消除多余离散化噪声并节省 13.1%–53.2% 训练耗时。

Preconditioned Flow Matching

针对流匹配中中间分布协方差病态导致低方差方向优化停滞的几何瓶颈,提出“先预条件后匹配”框架,利用可逆变换各向同性化目标分布,在不改变主网络与采样ODE的前提下显著加速收敛并提升生成质量。

Predict-Project-Renoise: Sampling Diffusion Models under Hard Constraints

针对物理科学与工程中预训练扩散模型难以严格满足守恒律等硬约束的根本缺陷,本文从受约束前向过程的逆向动力学出发证明了以受约束边缘分布为唯一平稳分布的校正核,提出了免微调的 Predict-Project-Renoise(PPR)算法,通过去噪器隐式流形投影与前向再加噪的迭代,兼顾了近 80%+ 的可行解率与高质量分布保真度。

Primal-Dual Flow Matching for Sample-Wise Constrained Generation

针对科学与工程中样本必须满足硬性物理或几何约束的生成难题,本文提出原对偶流匹配(PDFM),仅依赖二元归属预言机反馈,通过确定性策略梯度构建可微时空代理判别器,实现对样本级约束满足率的直接概率控制与严格全变差收敛理论保证。

Probing Visual Planning in Image Editing Models

提出了 Ear(Editing-as-Reasoning)范式与程序化生成的抽象空间基准 Amaze,系统探究并评测了图像编辑模型将视觉规划压缩为单步图像变换的内在空间推理能力与泛化规律。

ProEdit: Inversion-based Editing From Prompts Done Right

针对基于反演的免训练视觉编辑中源图像先验过度注入导致属性修改失效的顽疾,ProEdit 在隐空间通过 Latents-Shift 消除反演噪声偏差,在注意力空间通过区域自适应 KV-mix 解耦编辑区与背景,在完全无需挑选层或注意力头的前提下实现了高保真且提示词对齐的图像与视频编辑。

RA-ClipScore: Making Generative Model Evaluation More Interpretable

针对传统生成模型指标缺乏可解释性以及 CLIPScore 受限于对比学习竞争与全局 token 的缺陷,本文提出无需额外训练的 RA-CLIPScore,结合正负双提示词解耦属性与倒数第二层 patch token 提取局部语义,并拓展出空间分布散度指标 R-SaD,首次在单次前向中实现高保真属性级与空间布局偏差诊断。

RankE: End-to-End Post-Training for Discrete Text-to-Image Generation with Decoder Co-Evolution

针对离散自回归文生图后训练中策略分布偏移导致固定VQ解码器画质退化的“潜在协变量偏移”瓶颈,RankE通过交替协同演变机制联合优化自回归策略与VQ解码器,在统一广义EM框架下打破保真度与文本对齐的权衡困境。

RaPD: Resolution-Agnostic Pixel Diffusion via Semantics-Enriched Implicit Representations

提出直接在连续神经图像场(NIF)隐空间建模的像素级扩散模型 RaPD,通过语义表征引导与基于坐标查询的注意力渲染器,实现扩散采样代价恒定、仅需变换查询坐标网格即可高质量合成任意分辨率图像。

Recursively Trained Diffusion Models: Limiting Collapse Distribution and Spectral Characterization

本文通过算子理论证明,即便在无评分估计与离散化误差的理想设定下,反向 SDE 早期截断也会诱发递归扩散模型以几何级数收敛至唯一的退化极限分布;谱分解揭示退化具有低通滤波特性,据此提出退火截断调度可从渐近上彻底消除递归累积偏差。

Representation Fréchet Loss for Visual Generation

通过解耦 Fréchet 距离统计估计所需的大样本群体与单步反向传播的梯度计算批次,提出无需对抗训练与教师蒸馏的特征空间 FD-loss,不仅大幅提升单步图像生成质量,还能直接将多步去噪模型重塑为高保真度单步生成器。

Residual Calibration via Local Feature-Space Refinement

提出局部自适应概率估计(LAPE)框架,将全局校准器作为稳定锚点并引入特征空间近邻样本进行非参数残差修正,配合 \(V\) 折交叉拟合与多视角级联融合(CFAF),在保留全局预测稳定性的同时显著降低各类分类模型的校准误差。

Rethinking Cross-Layer Information Routing in Diffusion Transformers

DAR 将扩散 Transformer 的逐层残差累加改为时间步感知的历史子层输出注意力,在 ImageNet 256×256 上以 600K 步取得无 CFG 的 ODE FID 7.56,相比训练 1.75M 步的 SiT 基线降低 2.11,并能与 REPA 的表征对齐损失结合。

Revisiting Diffusion Fine-Tuning for Unsupervised Domain Adaptation

MUSE 将扩散生成器的适应拆成仅由源域标签训练的共享语义分支和目标域条件化风格分支,一次源域参与的微调支持多个目标域生成桥接数据,在三个闭集分类基准上提升下游 UDA 平均准确率,并相对 Terra 将生成器微调时间缩短至原来的约一半至四成。

Revisiting Diffusion Model Predictions Through Dimensionality

本文通过极简线性扩散模型推导出预测目标误差在流形切空间与正交环境空间的严格解耦动力学,证明流匹配中最优预测目标解析解为 \(k^* = D / (D + d)\),并提出仅需单一可学习标量的 \(k\)-Diff 框架,实现了从低维潜空间到高分辨率像素空间的自适应无缝过渡与生成增益。

Reward Score Matching: Unifying Reward-based Fine-tuning for Flow and Diffusion Models

提出奖励得分匹配(RSM)通用框架,将基于强化学习、最优控制和直接奖励反传等分散的流与扩散模型微调方法统一为针对价值引导目标的分数匹配,揭示了阶数与时间步权重的偏差-方差权衡,并据此设计出计算代价削减高达 5 倍的优化方案。

Robust Diffusion Models via Divergence-Induced Weighted Denoising

本文证明了在高斯逆向核下扩散模型的单步似然比服从由标量失配参数化的对数正态分布,从而将标准 MSE 损失推广为由 f-散度诱导的非线性加权去噪目标,在几乎不增加计算开销的前提下显著提升了数据污染下的生成质量与训练稳定性。

Root-Selecting Fixed-Point Inversion for Rectified Flows via Trajectory Straightness

针对 Rectified Flow 离散反演方程存在多个定点解导致的误差累积问题,SelFix 提出以轨迹平直度作为择根准则,通过带平直度锚点的 Halpern 迭代与解耦动量,在保证渐近精确反演的同时选出最平直的逆向轨迹。

RoPEMover: Depth-Aware Object Relocation via Positional Embeddings

本文提出 RoPEMover,直接操纵 Diffusion Transformer 的 2D 旋转位置编码(RoPE)并将其扩展为融入度量深度的 3D RoPE,仅需极少合成与真实配对数据即可实现几何自洽、遮挡正确且阴影联动的单图物体移动。

SANEval: Open-Vocabulary Compositional Benchmarks with Failure-mode Diagnosis

SANEval 针对文生图模型组合生成中固定词表与不可解释痛点,构建了解耦空间关系、属性绑定与数量计数的开放词表评估基准与诊断流水线,通过 LLM 同义词扩展结合 YOLO-E 与 VLM 裁判实现了对细粒度失败模式的自动归因。

Scalable Minimal-Change Learning for Controllable Image Editing

针对指令图像编辑中背景与非目标区域频繁发生非预期改变的核心难题,本文提出 ARRO,将因果推断中的最小改变原则转化为基于生成结果的在线强化学习目标,利用视觉语言模型的思维链审计与组内量规提纯构建解耦的“未执行”与“非预期”双通道奖励,实现了高保真且局部精准的可控图像编辑。

SCALE: Improving Guidance-Free Visual Generation via Self-Contrastive Alignment for Likelihood Estimation

提出自对比对齐框架 SCALE,通过对比模型对真实样本与自生成样本的预测误差构建流形修正信号,并重参数化为单次前向的似然训练目标,在无需采样引导开销的前提下超越现有拟合 CFG 的无引导方法与引导采样基线。

Search-Augmented Masked Diffusion Models for Constrained Generation

本文提出 SearchDiff,一种无需训练的神经符号推理框架,通过在掩码离散扩散的反向去噪步中嵌入候选搜索采样(CSS)与局部邻域精化,将非可微黑盒约束评估直接注入反向转移核,实现高保真度且严格满足约束的离散序列生成。

Secure Seed-Based Multi-bit Watermarking for Diffusion Models from First Principles

本文指出现有扩散模型种子水印评估过度依赖具体生成与逆扩散架构的缺陷,提出将决策机制与模型逆扩散解耦的理论评估框架(涵盖容量、保真度与水印安全性),并设计了基于一维嵌套格型调制的 SSB 水印算法,首次实现了理论可达的完美安全水印机制。

SEGA: Spectral-Energy Guided Attention for Resolution Extrapolation in Diffusion Transformers

针对 DiT 在推理期外推至超训练分辨率时注意力稀释与频带缩放失衡的问题,提出免训练的 SEGA 方法,通过潜变量频谱分析自适应调节各 RoPE 维度的注意力缩放尺度,在无需微调的前提下显著改善 4K/超高分辨率生成的全局结构与细节质感。

Sparsely Supervised Diffusion

提出稀疏监督扩散(SSD)框架,在去噪回归损失中引入独立伯努利随机掩码,仅对高达 98% 像素被掩蔽后的稀疏未掩码像素计算监督信号,从理论上改变数据协方差谱以抑制虚假相关性并规范局部性,在消除空间生成瑕疵与防止小样本过拟合记忆的同时维持甚至超越全图监督的 FID。

SpatialFlow-GRPO: Where Spatial Credit Drives Image Editing

针对 Flow-GRPO 等在线强化学习方法因整图标量奖励带来的空间均匀性假设缺陷,本文提出 SpatialFlow-GRPO 框架,通过语义区域粒度的奖励估计、全局-局部混合优势与潜在空间区域对齐策略优化,实现精准的空间信用分配并显著提升复杂多区域图像编辑能力。

Specificity-Aware Diffusion Steering via Variance-Reduced Sequential Monte Carlo

本文针对扩散模型负向引导中易侵蚀正向重叠密度、引发模式漂移的问题,基于重叠度变分目标推导了可解耦截断锐度与惩罚强度的幂次似然比目标分布,并构建了基于固定噪声雅可比-向量积(JVP)在线优化提议分布的方差缩减序贯蒙特卡洛采样器,在无需微调的前提下实现了高保真特异性生成。

Statistical Convergence of Spherical First Hitting Diffusion Models

针对已知球面流形上的生成建模,本文首次在理论上证明了基于 Doob \(h\)-变换的自适应随机停止时间第一击中扩散模型(FHDM)在总变差距离下能达到极小极大最优统计收敛速率 \(\mathcal{O}(n^{-\alpha/(2\alpha+d-1)})\)(忽略对数因子)。

Statistical Matching via Schrödinger Bridge beyond Conditional Independence

针对传统统计匹配强依赖条件独立性假设而丢失潜在关联的根本缺陷,提出基于薛定谔桥的预测性统计匹配框架,通过兼容性代价对先验测度进行指数倾斜并以神经网络求解对偶势函数,实现超越条件独立性的双向概率后验插补与严格高斯联合分布恢复保证。

Stay Fair! Ensuring Group Fairness in Diffusion Models Across Guidance Scales

本文揭示了引导尺度增大导致扩散模型群体偏置单调放大的根源,提出强人口统计均等(SDP)引导充要条件与 StayFair 框架,通过时间感知的 WDP 正则化(CG)和自适应空提示偏置嵌入位移(CFG),实现了跨引导尺度的群公平性与生成质量解耦。

Steering Away from Memorization: Reachability-Constrained Reinforcement Learning for Text-to-Image Diffusion

针对文生图扩散模型记忆并复现训练集隐私或版权图像的问题,本文提出推理阶段控制框架 RADS,将去噪轨迹建模为受控动力系统,利用后向可达管表征记忆吸引盆,并通过约束强化学习在低维文本嵌入空间施加微小扰动以主动规避记忆化。

Steering Fields: Adaptive Vector Fields for Safe Image Generation and Beyond

针对传统激活导向使用固定静态向量易破坏全局结构与局部几何的缺陷,本文提出了自适应向量场 Steering Fields,在流匹配轨迹的每一步闭式重估计瞬时导向速度,兼顾目标诱导与恶意概念抑制,并可直接扩展为免反转的高保真图像编辑。

SteerVTE: Seamless Video Text Editing with Style and Glyph Control

SteerVTE 冻结预训练视频扩散变换器并引入轻量化文本上下文适配器,协同原生分辨率视觉语言模型风格编码、行/字符双粒度字形引导与字形感知空间焦点损失,实现笔画级精准、风格一致且时间连贯的视频文本编辑。

Stochastic Interpolants via Conditional Dependent Coupling

本文提出基于条件相关耦合(Conditional Dependent Coupling, CDC)的多阶段流匹配框架 CDC-FM,以单一统一的 Diffusion Transformer 在像素空间实现从粗到细的高保真生成与端到端优化,显著降低传输代价与推理时间并在 ImageNet-256 上取得 1.81 FID。

Structured State-Space Regularization for Generation-Friendly Image Tokenization

本文将状态空间模型(SSM)重新解释为“基底投影加输入变换”的动态系统,推导了高斯模糊下 2D 正交基系数的演化规律并作为轻量正则项约束编码器,使图像分词器隐空间具备天然的频域组织结构,在几无重建损失的前提下大幅提升下游扩散模型的生成质量。

StyleStream 2.0: Fast and Controllable Streaming Voice Style Conversion

StyleStream 2.0 通过像素平均流生成器配合自回归反馈微调将流式语音风格转换端到端延迟减半至 520 ms(仅需 4 步采样),并移除了 Mel 谱上下文约束,借助基于统一 Flow Matching 的文本条件控制器首次实现了流式语音的全属性自然语言设计与单属性精准编辑。

Temporal Alignment Guidance: On-manifold Sampling in Diffusion Models

针对扩散模型在外部引导与加速采样时易偏离数据流形导致保真度崩塌的问题,本文提出时间对齐引导(TAG),利用轻量时间预测器估计时间关联得分,在反向扩散每一步将偏离样本主动拉回对应时刻的数据流形。

TerraVis: Towards Evaluation of World-Grounded Visual Consistency in Text-to-Image Generation via MLLM Workflows

针对文生图模型生成看似高度逼真却违背现实常识与物理规律的问题,本文提出了评估「世界扎根视觉一致性」的 TerraVis 框架,构建涵盖物体、交互与场景三级的 18 类违规分类法,通过 MLLM 资格检验、违规检测、严重度分级与指数惩罚聚合工作流,实现了与人类物理真实性判断的高度对齐。

Tessellations of Semi-Discrete Flow Matching

本文系统揭示了半离散流匹配(高斯源到有限支撑目标)终端分配区域的内在几何与拓扑特性,证明其胞元开且单连通(且在中心位于胞元内时同胚于开球),同时构造平面反例证明其显著不同于半离散最优传输的拉盖尔胞元,表现出非凸性、弯曲边界、非单调流场以及相异的有界性与邻接拓扑结构。

Text-Vision Co-Instructed Image Editing

针对纯文本指令缺乏精细空间控制与纯拖拽点缺乏语义意图的局限,本文提出文本-视觉协同指令图像编辑任务与即插即用框架 TV-Edit,结合视频挖掘的配对数据与解耦的空间控制器,实现兼具高语义保真度与像素级精度的图像编辑。

The Geometry of Noise: Why Diffusion Models Don't Need Noise Conditioning

论文揭示了无噪声条件约束的自主生成模型隐式在边缘能量曲面上执行黎曼梯度流,证明了速度参数化凭借单位增益吸收后验不确定性而天然稳定,破解了无条件扩散动力学在数据流形处的奇异性悖论。

The Interplay of Data Structure and Imbalance in the Learning Dynamics of Diffusion Models

本文基于高维随机矩阵理论与高斯等价原理,首次解析揭示了扩散模型在类别异质数据下的学习层级:方差决定泛化与记忆化先后次序,质心范数次之,而采样不平衡作为调节因子可在特定区间反转学习次序并导致反向扩散中的物种分化时间分离。

The Reward Was in Your Data All Along: Correcting Flow Matching with Discriminator-Guided RL

针对流匹配中速度场回归损失与推断期感知质量严重失配的结构性缺陷,提出利用冻结自监督表征训练轻量判别器估计数据与模型密度比,并通过伴随匹配进行无偏强化学习微调,在零人类偏好数据下大幅提升生成质量。

The Unreasonable Effectiveness of Text Embedding Interpolation for Continuous Image Steering

本文提出了一种完全免训练的连续图像与视频生成控制框架,通过大语言模型自动生成去偏对比文本对并提取文本编码器输出空间的均值差引导向量,结合自适应弹性区间搜索与规则引导的词元精准注入,以极低计算开销实现了与微调类滑块相当的平滑语义渐变。

The Value of Covariance Matching in Gaussian DDPMs and the Lanczos Sampler

论文从理论上证明了在已知或学习后验均值的前提下,匹配全后验协方差能够打破各向同性与对角协方差的 \(\Omega(1/T)\) 路径空间 KL 散度下界并提升至 \(\mathcal{O}(1/T^2)\),并由此提出了一种无需额外模型和存储空间的训练无关无矩阵 Lanczos 高斯采样器(LGS)。

Think, Plan, Paint: Layout-Aware Reasoning for Controllable Image Generation in Unified Models

提出了统一多模态框架 ATLAS,引入“思考-规划-绘画”(Think, Plan, Paint)范式,将布局作为贯通文本推理、结构规划与扩散生成的跨模态共享桥梁,并结合 Flow-GRPO 强化学习布局对齐,显著提升了复杂空间与属性约束下的可控图像生成与交互编辑能力。

Thinking in Pictures: A Systematic Benchmark for Reasoning-driven Image Generation

针对现有生成模型局限于浅层视觉匹配与文本指令渲染的缺陷,本文提出了首个无需语言指定目标、纯由多模态视觉上下文归纳潜在逻辑并生成视觉解的基准 RIG-Bench(包含 4 大族、11 个子任务共 2000 个样本),全面揭示了前沿多模态生成模型在逻辑严谨性上的断崖式落后与“局部合理但全局失序”的核心瓶颈。

TMPO: Trajectory Matching Policy Optimization for Diverse and Efficient Diffusion Alignment

TMPO 揭示了现有扩散模型强化学习对齐中“标量奖励最大化”本质上属于反向 KL 最小化且必然引发模式坍塌,创新性地提出轨迹级软最大化轨迹平衡(Softmax-TB)目标来匹配玻尔兹曼奖励分布以继承前向 KL 的模式覆盖特性,并结合课程引导的动态随机树状采样消除冗余去噪计算,在保持或超越下游对齐性能的同时将生成多样性提升 9.1% 并减少 27% 训练开销。

Token-to-Token Alignment of Text Embeddings for Semantic Blending

本文提出 Token-to-Token (T2T) 对齐框架,通过两阶段(概念级结构化重塑与嵌入级软匹配投影)在文本编码器空间建立跨提示词的显式语义对应,使得简单线性插值即可在扩散模型中实现平滑连贯的概念过渡、连续编辑与图像混合。

Total Variation Rates for Riemannian Flow Matching

本文首次建立了流形上流匹配(RFM)在连续时间ODE及离散欧拉采样下的非渐近总变差(TV)收敛率界,明确解耦了数值离散误差与速度场学习误差,并在紧流形(超球面)与非紧Hadamard流形(SPD流形)上证明了多项式迭代复杂度。

Towards More General Control of Diffusion Models Using Jeffrey Guidance

本文基于形式认识论中的杰弗里斯条件化规则(Jeffrey's Rule of Conditioning),提出了一种统一且无需重训扩散主干的通用分布引导框架(Jeffrey Guidance),通过密度比估计和 Tweedie 预测在采样阶段显式修正边际分布,在特征空间对齐(显著降低 CIFAR-10/FFHQ 的 FID)和敏感属性去相关公平生成上均取得了严密的理论与实验突破。

Training-Free Generative Sampling via Moment-Matched Score Smoothing

提出无需训练的矩匹配分数平滑过阻尼朗之万动力学采样器(MM-SOLD),通过在相互作用粒子系统上强制约束经验均值与协方差,消除传统分数平滑引起的全局重心坍缩与过度平滑畸变,在 CPU 上实现兼具高保真度与多样性的无训练生成采样。

Training Data Attribution in Diffusion Models via Mirrored Unlearning and Noise-Consistent Skew

针对扩散模型训练数据归因(TDA)缺乏可靠性与计算鲁棒性的瓶颈,本文提出 MUCS 算法,通过结合保留微调与空损失截断的镜像梯度上升遗忘生成样本,并在生成噪声调度下利用噪声一致的归一化偏斜量化归因分数,在多项反事实基准上显著超越现有方法且速度提升 1.5–2.9 倍。

Trajectory as the Teacher: Few-Step Discrete Flow Matching via Energy-Navigated Distillation

针对离散流匹配蒸馏中RK-4中点盲目随机跳转导致的误差累积瓶颈,提出在训练阶段引入免时间条件的能量指南针,通过序列到Token的两阶段导航塑形轨迹,使170M学生模型仅需8步推理即可超越1024步教师模型。

UDT: Reconciling U-Nets and Diffusion Transformers with Data-Adaptive Token Reduction

针对传统各向同性 Diffusion Transformer 编码器-解码器不平衡及既有 U 型 DiT 固定局部下采样破坏自注意力与特征维度的缺陷,UDT 提出基于无参数数据自适应 Token 合并(ToMe)与精确还原的 U 型架构,在保持特征通道维度不变的同时大幅降低计算量并加速训练收敛。

UltraDiff: Transferring High-Fidelity Priors to Compressed Latent Spaces for High-Resolution Image Generation

针对高分辨率生成中激进压缩潜空间(\(f32\))易失真与歧义的问题,UltraDiff 提出联合建模 \(f8\) 与 \(f32\) 分布的双分支 MixTeacher,并通过原生 \(f32\) 空间下的边际分数蒸馏,将高质量几何与细节先验无损迁移至极低开销的学生模型,实现单张 A100 上 6.2 秒生成 2K 图像。

UltraFlash: Accelerating Megapixel Visual Synthesis

UltraFlash 将高分辨率级联生成加速的核心从扩散去噪转向 VAE 像素空间转换,通过可学习的隐空间快捷网络 Latent Hyperloop 消除中间 RGB 往返,并利用跨 patch 共享 GroupNorm 统计量实现高保真稀疏 patch VAE 解码,使 4K 视觉合成速度翻倍且质量更优。

UniCustom: Unified Visual Conditioning for Multi-reference Image Generation

提出 UniCustom 统一视觉条件架构,在 VLM 编码前通过零初始化轻量线性层融合 ViT 语义与 VAE 外观细节,结合两阶段训练与槽位绑定正则化,彻底弥合了语义定位与视觉绑定的结构性断裂,在 OmniContext 与 MICo-Bench 多个多参考生成基准上取得开源模型最优成绩。

Uniform Diffusion Models revisited: Leave-One-Out Denoiser and Absorbing State Reformulation

揭示了均匀扩散模型(UDM)中 Plug-in Bridge 参数化与标准去噪交叉熵目标之间的理论不匹配,证明其 ELBO 最小化目标本质上是留一后验分布(Leave-One-Out Posterior),并通过显式转换公式与吸收态重构(AUDM/ReAUDM)彻底消除 UDM 与掩码扩散模型(MDM)在性能与采样上的长期差距。

UniVL: Unified Vision-Language Embedding for Spatially Grounded Contextual Image Generation

UniVL 将空间定位与区域文本指令直接光栅化渲染在图像掩码内,利用 OCR 预训练的视觉编码器实现单路视觉-语言联合表征,彻底移除了沉重的独立文本编码器,在显著降低推理算力和显存开销的同时实现了更精准的多区域局部图像生成。

Unlocking the Duality between Flow and Field Matching

本文证明了概率驱动的条件流匹配(CFM)与物理几何驱动的单向相互作用场匹配(forward-only IFM)在生成动力学层面上存在严格的构造性双射对偶,揭示广义 IFM 具备超越 CFM 的更高表达能力,并由此推导出可显著降低方差的 CFM 多样本速度估计目标。

Unrestrained Simplex Denoising for Discrete Data. A Non-Markovian Approach Applied to Graph Generation

针对传统离散扩散模型离散状态突变和标准连续流匹配误差累积的瓶颈,提出在概率单纯形上建模的无约束非马尔可夫去噪框架(UNSID),利用狄利克雷显式概率路径与一步重采样机制,在图与分子生成基准上实现了更快的采样速度与超越离散扩散/流匹配的生成质量。

Velocity Ambiguity Profiles: Time-Resolved Bayes-Risk Diagnostics for Flow Matching

本文提出了速度二义性剖面(VAP)作为流匹配在时间轴上的贝叶斯风险底线,严格将时间分辨损失解耦为不可减少的固有二义性与可减少的超额估计误差,并利用该诊断指导训练阶段的时间重采样。

VTV-FM: Flow Matching through Variational Terminal-Velocity Closure

针对静态生成数据缺失终态速度导致二阶流匹配无法构建动力学桥梁的核心难题,提出基于最小加速度变分原理的变分终端速度闭包(VTV-FM),通过解析闭包推导终端速度并统一定义最优传输配对代价与加速度监督。

What Time Is It? How Data Geometry Makes Time Conditioning Optional for Flow Matching

本文通过将无时间条件流匹配损失分解为可学习误差、耦合方差与时间盲区差(Time-Blindness Gap),从高维数据几何角度证明正交于低维数据子空间的噪声统计量构成了确定时间的高维时钟,揭示了时间条件非必要的原因并表明样本耦合才是主导生成质量的核心杠杆。

When Riemann flows with Wasserstein: Generative Modeling of Probability Distributions on Manifolds

提出了黎曼-Wasserstein熵流匹配(RWEFM),将流匹配提升至黎曼流形上的Wasserstein测度空间\(\mathcal{P}_2(\mathcal{M})\),结合GPU高效的黎曼熵映射逼近最优传输,实现了非欧流形上测度分布的高保真生成。

Where to Look Is Not How to Fix: Pre-Denoising Diagnostics and Modality-Dependent Control in Diffusion Composition

本文通过严格配对的“锚点-压力”受控实验,揭示了文生图扩散模型组合性缺陷中“可诊断位置”与“可有效修复位置/模态”的解耦现象,提出了文本端非因式分解残差指标 CSI,并系统刻画了去噪器深层编码器与解码器在交叉注意力干预下的不对称响应。

Where, What, Why, and Importance: Structured Defect Grounding for Text-to-Image Feedback

本文提出了结构化缺陷定位(SDG)框架与 SDG-30K 数据集,将文生图诊断从连续热力图回归重塑为包含位置、类型、原因和重要性元组的离散集合预测,并通过 BoxFlow-GRPO 实现基于空间稠密优势的扩散模型对齐与定向局部精修。

Which Tokens to Merge? Diffusion Dynamics for Efficient Image Generation

提出无需训练的动力学感知 Token 合并框架(DaTMe),基于 Tweedie 去噪估计构建时序演化与空间高频双轴显著图,自适应分离约束锚点与安全合并源,解决 CFG 剪枝忽略非文本区域与时变特性的痛点,在 PixArt-\(\alpha\) 与 FLUX 上实现全图细节保真与显著加速。

X2HDR: HDR Image Generation in a Perceptually Uniform Space

X2HDR 提出在感知均匀空间(PU21)中表征 HDR/RAW 图像,发现无需微调的预训练 LDR VAE 即可无损重建 PU21 编码的 HDR 内容,仅通过对扩散骨干进行参数高效的 LoRA 微调即可统一实现高质量 Text-to-HDR 生成与单张 RAW-to-HDR 重建。

You Can’t Have It Both Ways: Concept Entanglement Limits Diffusion Model Unlearning

本文通过将扩散模型中的概念形式化为跨注意力激活空间中的重叠几何区域,从理论上证明了鲁棒概念擦除与近邻概念保留之间存在由纠缠系数 \(\kappa\) 决定的根本性权衡下界,揭示出“概念泄漏”与“附带遗忘”是表征重叠的双生症状而非特定算法缺陷。