图像生成

Just-in-Time: Training-Free Spatial Acceleration for Diffusion Transformers

即时加速：扩散变换器的无训练空间加速

Wenhao Sun, Ji Li, Zhaoqiang Liu

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Capital Normal University（首都师范大学） 纠错

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

AI总结 本文提出JiT框架，通过空间域加速解决扩散变换器的高计算成本问题，实现7倍加速且性能接近无损，优于现有方法。

Comments Accepted by CVPR2026. Project Page: https://wenhao-sun77.github.io/JiT/

Few-Step Diffusion Sampling Through Instance-Aware Discretizations

通过实例感知离散化实现少步扩散采样

Liangyu Yuan, Ruoyu Wang, Tong Zhao, Dingwen Fu, Mingkun Lei, Beier Zhu, Chi Zhang

机构 * Westlake University（西湖大学） ； Tongji University（同济大学） ； Zhejiang University（浙江大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出实例感知离散化框架，通过输入依赖先验调整时间步分配，提升生成质量，减少训练和推理开销。

Comments 24 pages, 20 figures. code: https://github.com/851695e35/INDIS

Efficient Diffusion as Low Light Enhancer

高效扩散作为低光照增强器

Guanzhou Lan, Qianli Ma, Yuqi Yang, Zhigang Wang, Dong Wang, Xuelong Li, Bin Zhao

机构 * Northwestern Polytechnical University（西北工业大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Lab（上海人工智能实验室） ； TeleAI 纠错

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

AI总结 本文提出ReDDiT框架，通过线性外推错误分数函数和迁移高斯流到反射感知残差空间，提升低光照图像增强效率，仅用2步即可达到SOTA效果。

Comments CVPR 2025 Camera Ready

VectorWorld: Efficient Streaming World Model via Diffusion Flow on Vector Graphs

VectorWorld: 通过向量图上的扩散流实现高效的流式世界模型

Chaokang Jiang, Desen Zhou, Jiuming Liu, Kevin Li Sun

机构 * University of Cambridge, Cambridge, United Kingdom（剑桥大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title)；分类 cs.CV

AI总结 VectorWorld通过向量图上的扩散流实现高效的流式世界模型，解决了自动驾驶政策闭环评估中的初始化不匹配、采样延迟和运动可行性问题，提升了地图结构精度和闭环运行稳定性。

Comments Under Review

Score Distillation Beyond Acceleration: Generative Modeling from Corrupted Data

生成模型从损坏数据中学习：超越加速的分数蒸馏

Yasi Zhang, Tianyu Chen, Zhendong Wang, Ying Nian Wu, Mingyuan Zhou, Oscar Leong

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Microsoft AI Superintelligence（微软人工智能超级智能） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)；inpainting(abstract)

AI总结 本文提出RSD框架，通过预训练腐蚀感知扩散教师模型并蒸馏出高效单步生成器，实现高保真生成模型，适用于图像修复、超分辨率等任务，实验显示在多个数据集上FID均优于传统方法。

Comments This paper merges DSD(Denoising Score Distillation) and RSD(Restoration Score Distillation)v1. Tianyu Chen and Yasi Zhang contributed equally; Oscar Leong and Mingyuan Zhou advised equally

AvatarForcing: One-Step Streaming Talking Avatars via Local-Future Sliding-Window Denoising

AvatarForcing：通过局部-未来滑动窗口去噪实现一步流式谈话 avatars

Liyuan Cui, Wentao Hu, Wenyuan Zhang, Zesong Yang, Fan Shi, Xiaoqiang Liu

机构 * Zhejiang University（浙江大学） ； Beijing University of Posts and Telecommunications（北京邮电大学） ； Kling Team, Kuaishou Technology（快手科技 Kling 团队） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出AvatarForcing，一种一步流式扩散框架，通过局部-未来滑动窗口去噪实现高实时性谈话 avatars，实验证明其在34ms/帧下具备高质量视觉和唇同步性能。

Towards One-step Causal Video Generation via Adversarial Self-Distillation

基于对抗自蒸馏的单步因果视频生成

Yongqi Yang, Huayang Huang, Xu Peng, Xiaobin Hu, Donghao Luo, Jiangning Zhang, Chengjie Wang, Yu Wu

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； Tencent YouTu Lab（腾讯优图实验室） ； School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院） 纠错

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

AI总结 本文提出基于蒸馏的高效因果视频生成框架，通过对抗自蒸馏策略提升生成质量，结合首帧增强策略减少误差传播，实验表明在单步和双步视频生成中优于现有方法。

Comments Published as a conference paper at ICLR 2026

Fast Beam-Brainstorm: Few-Step Generative Site-Specific Beamforming with Flexible Probing

快速波束-脑暴：基于灵活探测的少步生成式波束成形

Zihao Zhou, Zhaolin Wang, Yuanwei Liu

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出快速波束-脑暴方法，通过两阶段蒸馏策略实现快速生成高保真通信波束，减少生成成本并适应灵活的信道探测长度。

Early Quantization Shrinks Codebook: A Simple Fix for Diversity-Preserving Tokenization

早量化缩小代码表：一种维持多样性token化问题的简单修复

Wenhao Zhao, Qiran Zou, Rushi Shah, Yudi Wu, Zhouhan Lin, Dianbo Liu

机构 * National University of Singapore（国立新加坡大学） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文研究了向量量化中的坍塌问题，发现随机初始化和编码器容量限制导致token和嵌入坍塌，并提出缓解方案，是首次系统探讨该问题。