arXiv ID:
2603.19222
基于频谱引导的扩散模型噪声调度方法 / Spectrally-Guided Diffusion Noise Schedules
1️⃣ 一句话总结
这篇论文提出了一种根据图像频谱特性自动设计噪声调度的方法,通过消除冗余步骤,在低步数采样时显著提升了扩散模型的图像生成质量。
基于频谱引导的扩散模型噪声调度方法 / Spectrally-Guided Diffusion Noise Schedules
这篇论文提出了一种根据图像频谱特性自动设计噪声调度的方法,通过消除冗余步骤,在低步数采样时显著提升了扩散模型的图像生成质量。
轨迹链:通过图论规划解锁扩散模型固有的生成最优性 / Chain-of-Trajectories: Unlocking the Intrinsic Generative Optimality of Diffusion Models via Graph-Theoretic Planning
这篇论文提出了一种名为‘轨迹链’的新方法,它通过图论规划来动态分配计算资源,让扩散模型在生成图像时能更智能地处理困难步骤,从而在提升生成质量与稳定性的同时减少不必要的计算开销。
用于非自回归生成的离散随机定位方法 / Discrete Stochastic Localization for Non-autoregressive Generation
这项研究提出了一种名为DSL的新训练方法,它通过训练一个统一的降噪模型来显著提升非自回归文本生成模型的效率和生成质量,使其在更少的计算步骤下就能达到与主流自回归模型相媲美的效果。
离散扩散模型的高效采样:锐利且自适应的理论保证 / Efficient Sampling with Discrete Diffusion Models: Sharp and Adaptive Guarantees
这篇论文为离散扩散模型的采样效率建立了严格的理论保证,证明了其采样复杂度可以摆脱对词汇表大小的线性依赖,并能自动适应数据的内在低维结构,从而在多种实际数据上实现更高效的采样。
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。
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