图像生成

IMS3: Breaking Distributional Aggregation in Diffusion-Based Dataset Distillation

IMS3: 破解扩散式数据集蒸馏中的分布聚合

Chenru Wang, Yunyi Chen, Zijun Yang, Joey Tianyi Zhou, Chi Zhang

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

AI总结 本文提出IMS3方法，通过Inversion-Matching和Selective Subgroup Sampling提升数据集的判别性和泛化能力，解决扩散模型生成样本分布不均的问题。

Comments CVPR26 Accepted

Flash-Unified: A Training-Free and Task-Aware Acceleration Framework for Native Unified Models

Flash-Unified: 一种无需训练且任务感知的加速框架用于原生统一模型

Junlong Ke, Zichen Wen, Boxue Yang, Yantai Yang, Xuyang Liu, Chenfei Liao, Zhaorun Chen, Shaobo Wang, Linfeng Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Sichuan University（四川大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Chicago（芝加哥大学） 纠错

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

AI总结 本文提出FlashU框架，通过任务感知的网络剪枝和动态层跳过，减少统一模型的计算冗余，提升生成和理解任务的推理速度，实验表明在Show-o2数据集上加速1.78至2.01倍，保持SOTA性能。

Comments Accepted by CVPR 2026 Findings

Faster Inference of Flow-Based Generative Models via Improved Data-Noise Coupling

通过改进的数据-噪声耦合实现流基生成模型的更快推理

Aram Davtyan, Leello Tadesse Dadi, Volkan Cevher, Paolo Favaro

机构 * University of Bern（伯尔尼大学） ； EPFL（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出LOOM-CFM方法，通过优化 minibatch OT 跨 minibatch 的 assignments，提升流基生成模型在样本速度与质量间的平衡，支持高分辨率潜在空间合成和蒸馏初始化。

Comments Patched from ICLR2025. Code: https://github.com/araachie/loom-cfm

Draft-and-Target Sampling for Video Generation Policy

视频生成策略的草稿与目标采样

Qikang Zhang, Yingjie Lei, Wei Liu, Daochang Liu

机构 * South China Normal University（华南师范大学） ； University of Western Australia（西澳大学） 纠错

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

AI总结 本文提出一种无训练的扩散推理范式，通过自play去噪方法提升视频生成效率，实验表明在三个基准上实现2.1倍加速，同时保持高成功率。

Dynamic Mixture-of-Experts for Visual Autoregressive Model

动态专家混合模型用于视觉自回归模型

Jort Vincenti, Metod Jazbec, Guoxuan Xia

机构 * University of Amsterdam（阿姆斯特丹大学） ； UvA-Bosch Delta Lab（UvA-博斯奇Delta实验室） ； Imperial College London（伦敦帝国学院） 纠错

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

AI总结 本文提出一种动态专家混合路由机制，用于改进视觉自回归模型，通过规模感知阈值策略在不额外训练的情况下提升效率和质量，实现20%的FLOPs减少和11%的推理加速。

Controlled Langevin Dynamics for Sampling of Feedforward Neural Networks Trained with Minibatches

基于受控 Langevin 动力学的 feedforward 神经网络参数空间采样

Alessandro Zambon, Francesca Caruso, Riccardo Zecchina, Guido Tiana

机构 * Department of Physics, Università degli Studi di Milano（米兰大学物理系） ； Department of Computing Sciences（计算科学系） ； Bocconi Institute for Data Science（博科尼数据科学研究所） ； Analytics (BIDSA), Bocconi University（分析（BIDSA），博科尼大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出受控 minibatch Langevin 动力学方法，用于高效采样训练有大数据集的 feedforward 神经网络参数空间，通过调整虚拟质量与摩擦系数以确保高效采样，验证了其在大规模网络中的高效性与泛化性能。

Efficient structure-preserving scheme for chemotaxis PDE system with singular sensitivity in crime and epidemic modeling

高效保持结构的方案用于具有在犯罪和流行病建模中奇异敏感性的趋化PDE系统

Rui Wang, Yunfeng Xiong, Zhengru Zhang

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出一种高效保持正性的隐式-显式方案，用于解决具有奇异敏感性的趋化PDE系统中的数值挑战，通过Lagrange乘子修正实现二阶精度，并扩展到退化扩散的多代理流行病模型，验证了正性和质量守恒。

Targeting the partition function of chemically disordered materials with a generative approach based on inverse variational autoencoders

通过基于逆变分自编码器的生成方法针对化学无序材料的配分函数

Maciej J. Karcz, Luca Messina, Eiji Kawasaki, Emeric Bourasseau

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出利用生成机器学习生成配置集，以高效计算化学无序材料的原子尺度性质，通过逆变分自编码器实现无监督主动学习，用于估计配分函数。

Journal ref Scientific Reports, 2026