图像生成

Continuous-Time Distribution Matching for Few-Step Diffusion Distillation

连续时间分布匹配用于少步扩散蒸馏

Tao Liu, Hao Yan, Mengting Chen, Taihang Hu, Zhengrong Yue, Zihao Pan, Jinsong Lan, Xiaoyong Zhu, Ming-Ming Cheng, Bo Zheng, Yaxing Wang

机构 * VCIP, College of Computer Science, Nankai University（南开大学计算机科学学院VCIP） ； Alibaba Group（阿里巴巴集团） ； College of Artificial Intelligence, Jilin University（吉林大学人工智能学院） 纠错

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

AI总结 本文提出连续时间分布匹配（CDM），通过动态连续调度和连续时间对齐目标，改进少步扩散蒸馏，提升图像生成的视觉保真度，无需复杂辅助模块。

Comments 22pages, 9 figures

Memory Efficient Full-gradient Attacks (MEFA) Framework for Adversarial Defense Evaluations

内存高效的全梯度攻击（MEFA）框架用于对抗性防御评估

Yuan Du, Mitchel Hill, HanQin Cai

机构 * InnoPeak Technology（InnoPeak技术公司） 纠错

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

AI总结 本文提出MEFA框架，通过梯度检查点技术实现长净化轨迹的精确端到端梯度计算，提升对抗性防御评估的准确性，揭示了近似梯度评估的局限性。

DOLLAR: Few-Step Video Generation via Distillation and Latent Reward Optimization

DOLLAR: 通过蒸馏和潜在奖励优化实现少步视频生成

Zihan Ding, Chi Jin, Difan Liu, Haitian Zheng, Krishna Kumar Singh, Qiang Zhang, Yan Kang, Zhe Lin, Yuchen Liu

机构 * Princeton University（普林斯顿大学） ； Adobe Research（Adobe研究） 纠错

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

AI总结 本文提出结合变分分数蒸馏和一致性蒸馏的方法，实现高质量且多样化的少步视频生成，并通过潜在奖励模型微调提升生成性能，实现高效生成。

Photonic-Implemented Efficient Deep Quantum Neural Network via Virtual-Driven Hilbert Space Expansion

光子实现的高效深度量子神经网络通过虚拟驱动的希尔伯特空间扩展

Haoran Ma, Huihui Zhu, Zichao Zhao, Qishen Liang, Liao Ye, Baojie Hou, Jia Guo, Leong Chuan Kwek, Mile Gu, Jayne Thompson, Wei Luo, Yuehai Wang, Jianyi Yang

专题命中 效率与蒸馏 ：image generation(abstract)

AI总结 本文提出一种基于光子的深度量子神经网络，通过输入复制和模式扩展实现希尔伯特空间扩展，有效实现非单位ary和非线性激活功能，降低资源消耗，适用于多种任务。

Comments 14 pages, 5 figures

Variational Smoothing and Inference for SDEs from Sparse Data with Dynamic Neural Flows

变分平滑与SDEs从稀疏数据中推断的动态神经流

Yu Wang, Arnab Ganguly

机构 * Department of Mathematics（数学系） ； Louisiana State University（路易斯安那州立大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出基于动态神经流的变分平滑方法，通过条件后向时间分数建模SDEs，实现高效轨迹采样和参数估计，实验表明在非线性系统中具有更高的可扩展性。

Comments Yu Wang and Arnab Ganguly contributed equally to this work. Corresponding to Arnab Ganguly