视觉与机器人

图像生成

图像生成、文生图、图像编辑、扩散模型和可控生成。

2026-05-01 至 2026-05-01 共收录 3 篇信号源：cs.CV, cs.GR, cs.MM

1. 效率与蒸馏 3 篇

2512.14067 2026-05-01 cs.CL cs.AI cs.LG 78%

Efficient-DLM: From Autoregressive to Diffusion Language Models, and Beyond in Speed

Efficient-DLM：从自回归到扩散语言模型，以及速度上的突破

Yonggan Fu, Lexington Whalen, Zhifan Ye, Xin Dong, Shizhe Diao, Jingyu Liu, Chengyue Wu, Hao Zhang, Enze Xie, Song Han, Maksim Khadkevich, Jan Kautz, Yingyan Celine Lin, Pavlo Molchanov

机构 * Georgia Tech（佐治亚理工学院）； University of Chicago（芝加哥大学）； University of Hong Kong（香港大学）； MIT（麻省理工学院）

专题命中效率与蒸馏：diffusion(title,abstract)

AI总结本文提出Efficient-DLM方法，通过改进自回归到扩散语言模型的转换，提升生成速度并保持任务准确性，实验显示其在精度和效率上优于现有模型。

2604.28126 2026-05-01 cs.CV cs.AI 57%

AdvDMD: Adversarial Reward Meets DMD For High-Quality Few-Step Generation

AdvDMD：对抗性奖励与DMD结合实现高质量少步生成

Xu Wang, Zexian Li, Litong Gong, Tiezheng Ge, Zhijie Deng

机构 * Shanghai Jiao Tong University（上海交通大学）； Alimama Tech（阿里巴巴技术）

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

AI总结本文提出AdvDMD方法，结合DMD蒸馏与强化学习，通过对抗训练的判别器作为奖励模型，提升少步生成质量并稳定训练过程。

2602.20549 2026-05-01 cs.LG cs.CV stat.ME 57%

Sample-efficient evidence estimation of score based priors for model selection

基于扩散先验的模型选择中高效证据估计

Frederic Wang, Katherine L. Bouman

机构 * Department of Computing and Mathematical Sciences（计算与数学科学系）

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

AI总结本文提出DiME方法，通过整合后验采样方法的时间边际，利用逆扩散采样过程中的大量中间样本，高效估计扩散先验的模型证据，用于模型选择和先验误拟诊断。

Comments ICLR 2026