arXiv ID:
2602.03566
黎曼神经最优传输 / Riemannian Neural Optimal Transport
1️⃣ 一句话总结
这篇论文提出了一种名为RNOT的新方法,它利用神经网络直接在复杂的曲面(黎曼流形)上学习最优传输映射,避免了传统离散化方法在高维空间中参数数量爆炸的问题,从而更高效地实现数据分布间的转换。
黎曼神经最优传输 / Riemannian Neural Optimal Transport
这篇论文提出了一种名为RNOT的新方法,它利用神经网络直接在复杂的曲面(黎曼流形)上学习最优传输映射,避免了传统离散化方法在高维空间中参数数量爆炸的问题,从而更高效地实现数据分布间的转换。
面向长时程蛋白质动力学的可扩展时空SE(3)扩散模型 / Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics
这篇论文提出了一种名为STAR-MD的新型人工智能模型,它能够像‘快进’一样,高效且准确地模拟蛋白质在微秒级时间尺度上的动态变化,解决了传统模拟方法速度慢、现有生成模型难以预测长时间行为的难题。
黎曼环境流:面向从损坏数据中同时进行流形学习与生成建模 / Riemannian AmbientFlow: Towards Simultaneous Manifold Learning and Generative Modeling from Corrupted Data
这篇论文提出了一个名为‘黎曼环境流’的新框架,能够直接从有噪声或损坏的观测数据中,同时学习数据的概率生成模型和揭示其内在的几何结构(即数据所在的非线性流形),为科学和成像应用中的逆问题提供了理论保证和实用工具。
RigMo:统一骨架与运动学习的生成式动画框架 / RigMo: Unifying Rig and Motion Learning for Generative Animation
这篇论文提出了一个名为RigMo的统一生成框架,它能够直接从原始网格序列中同时学习出动画的骨架结构和运动模式,无需人工标注,从而实现了更可扩展、可解释且结构感知的动态3D建模。
是否存在比高斯分布更好的源分布?探索图像流匹配的源分布 / Is There a Better Source Distribution than Gaussian? Exploring Source Distributions for Image Flow Matching
本文通过一个可解释的二维模拟实验,揭示了流匹配模型在训练中的关键动态,并基于此提出了一个结合范数对齐训练与方向性剪枝采样的实用框架,该框架能在不重新训练的情况下,直接提升现有基于高斯源分布的流匹配模型的生成质量和采样效率。
双向归一化流:从数据到噪声再返回 / Bidirectional Normalizing Flow: From Data to Noise and Back
这篇论文提出了一种名为双向归一化流的新框架,它通过放弃对模型精确可逆性的严格要求,允许使用更灵活的架构和损失函数来近似学习从噪声到数据的反向映射,从而在图像生成任务上实现了更高的生成质量和快达两个数量级的采样速度。
让生成模型更直更快:基于修正轨迹的MeanFlow高效一步生成建模 / Flow Straighter and Faster: Efficient One-Step Generative Modeling via MeanFlow on Rectified Trajectories
这篇论文提出了一种名为Rectified MeanFlow的新方法,它通过结合修正轨迹和平均速度建模,只用一次优化步骤就能训练出高质量、高效率的一步生成模型,避免了现有方法需要多次迭代或训练不稳定的问题。
终端速度匹配 / Terminal Velocity Matching
这项研究提出了一种名为终端速度匹配的新方法,通过优化扩散模型在生成结束时的行为,实现了仅需1到4步就能生成高质量图像,在ImageNet数据集上取得了当前最优的单步/少步生成效果。
AlphaFlow:理解与改进MeanFlow模型 / AlphaFlow: Understanding and Improving MeanFlow Models
这篇论文发现现有MeanFlow生成模型存在优化冲突问题,并提出了一种新的AlphaFlow方法,通过渐进式训练策略有效解决了冲突,在图像生成任务上取得了更快的收敛速度和更好的性能表现。
过渡模型:重新思考生成式学习目标 / Transition Models: Rethinking the Generative Learning Objective
这篇论文提出了一种名为过渡模型(TiM)的新生成式AI方法,它通过一个灵活的连续时间动态方程,能够在任意生成步数下高效工作,仅用8.65亿参数就在图像质量和分辨率上超越了参数量大得多的主流模型,并且生成质量会随着步数增加稳定提升。
请先 登录 后再提交论文