图像生成

Uni-DAD: Unified Distillation and Adaptation of Diffusion Models for Few-step Few-shot Image Generation

Uni-DAD: 集成扩散模型的蒸馏与适应以实现少步少样本图像生成

Yara Bahram, Mélodie Desbos, Mohammadhadi Shateri, Eric Granger

机构 * LIVIA, ILLS, ETS（LIVIA、ILLs、ETS） 纠错

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

AI总结 Uni-DAD通过统一蒸馏与适应流程，提升少样本图像生成质量与多样性，采用双域分布匹配和多头GAN损失，实现单阶段高效生成。

Comments Accepted at IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2026

SPARE: Self-distillation for PARameter-Efficient Removal

SPARE：用于参数高效去除的自蒸馏

Natnael Mola, Leonardo S. B. Pereira, Carolina R. Kelsch, Luis H. Arribas, Juan C. S. M. Avedillo

机构 * Universidad Autonoma de Madrid（马德里自治大学） ； Universidad Politécnica de Madrid（马德里理工大学） 纠错

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

AI总结 SPARE提出一种两阶段方法，结合参数定位与自蒸馏，实现文本到图像扩散模型中特定概念的高效去除，通过梯度重要性分析和稀疏低秩适配器实现轻量级修改，并通过时间步采样提升效率，验证了其在UnlearnCanvas基准上的优越性能。

Phased DMD: Few-step Distribution Matching Distillation via Score Matching within Subintervals

相位DMD：通过在子区间内进行分数匹配实现少步分布匹配蒸馏

Xiangyu Fan, Zesong Qiu, Zhuguanyu Wu, Fanzhou Wang, Zhiqian Lin, Tianxiang Ren, Dahua Lin, Ruihao Gong, Lei Yang

机构 * SenseTime Research（商汤科技研究院） ； Beihang University（北航大学） 纠错

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

AI总结 本文提出Phased DMD，一种多步蒸馏框架，结合分步蒸馏与专家混合（MoE），提升模型容量并减少学习难度，通过分步分布匹配和子区间内分数匹配改进生成多样性与视觉保真度。

Fast3Dcache: Training-free 3D Geometry Synthesis Acceleration

Fast3Dcache: 无训练3D几何合成加速

Mengyu Yang, Yanming Yang, Chenyi Xu, Chenxi Song, Yufan Zuo, Tong Zhao, Ruibo Li, Chi Zhang

机构 * AGI Lab, Westlake University（西溪大学AGI实验室） ； University of Electronic Science and Technology of China（电子科学与技术大学） ； Nanyang Technological University（南洋理工大学） 纠错

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

AI总结 本文提出Fast3Dcache，一种无训练的几何感知缓存框架，通过动态缓存调度和时空稳定性准则，显著加速3D扩散模型推理，同时保持几何精度。

Comments Accepted by CVPR 2026; Project page: https://fast3dcache-agi.github.io

From Feature Learning to Spectral Basis Learning: A Unifying and Flexible Framework for Efficient and Robust Shape Matching

从特征学习到谱基学习：一种统一且灵活的框架，用于高效且鲁棒的形状匹配

Feifan Luo, Hongyang Chen

机构 * College of Computer Science and Technology, Zhejiang University, China（浙江大学计算机科学与技术学院，中国） ； Research Center for Computational Earth and Space Science, Zhejiang Lab, China（浙江实验室计算地球与空间科学研究中心，中国） 纠错

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

AI总结 本文提出一种统一的框架，通过学习谱基来提升形状匹配的效率和鲁棒性，引入了新的热扩散模块和无监督损失函数，实现了特征提取与基函数的联合优化。

Accelerated Parallel Tempering via Neural Transports

加速的神经传输并行退火

Leo Zhang, Peter Potaptchik, Jiajun He, Yuanqi Du, Arnaud Doucet, Francisco Vargas, Hai-Dang Dau, Saifuddin Syed

机构 * University of Oxford（牛津大学） ； University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics ； National University of Singapore（新加坡国立大学） ； University of British Columbia（不列颠哥伦比亚大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出利用神经采样器加速并行退火，通过减少相邻分布间的重叠需求，提升多模态采样效率并降低计算成本。

Comments Camera-ready version for ICLR 2026