图像生成

Guidance Is Not a Hyperparameter: Learning Dynamic Control in Diffusion Language Models

指导不是超参数：在扩散语言模型中学习动态控制

Fan Zhou, Tim Van de Cruys

机构 * KU Leuven（卢森堡大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出通过强化学习学习动态指导轨迹，以解决扩散模型中指导尺度固定导致的可控性与生成质量平衡问题。

Comments ReALM-GEN@ICLR2026

Statistical Convergence of Spherical First Hitting Diffusion Models

球面第一击扩散模型的统计收敛性

Simon Bienewald, Lukas Trottner

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究了具有随机自适应生成时间的球面第一击扩散模型（FHDM）的统计收敛性，证明其在总变分下达到最优收敛率，为去噪扩散建模提供了新的理论支持。

Diffusion Limit with Optimal Convergence Rate of Classical Solutions to the modified Vlasov-Poisson-Boltzmann System

带有最优收敛率的经典解对修正的Vlasov-泊松-玻尔兹曼系统的扩散极限

Yanchao Li, Mingying Zhong

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 研究修正Vlasov-泊松-玻尔兹曼系统经典解的扩散极限，通过谱分析证明了强解向不可压缩纳维-斯托克斯-泊松-傅里叶系统解的收敛性及收敛速率，对初始层进行了精确估计。

Comments arXiv admin note: text overlap with arXiv:2007.01461, arXiv:2504.21729, arXiv:2404.18389

Diffusion Path Samplers via Sequential Monte Carlo

通过顺序蒙特卡洛方法实现扩散路径采样

James Matthew Young, Paula Cordero-Encinar, Sebastian Reich, Andrew Duncan, O. Deniz Akyildiz

机构 * Department of Mathematics, Imperial College London, UK（伦敦帝国学院数学系，英国） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种基于扩散路径的采样方法，通过顺序蒙特卡洛方法估计时间变化分布的得分和密度，适用于已知归一化常数的目标分布，并在不同路径上进行实验验证。

First-principles simulation of spin diffusion in static solids using dynamic mean-field theory

基于动态平均场理论的静态固体中自旋扩散的原理计算

Timo Gräßer, Götz S. Uhrig, Matthias Ernst

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出利用动态平均场理论模拟静态样品中的自旋谱扩散及零量子线型，验证了该方法在大规模自旋扩散模拟中的高效性和准确性。

Comments The supplementary material is included in the same pdf

Journal ref Science Advances 12, eaee6228 (2026)

Weak Error Estimates of Ergodic Approximations for Monotone Jump-diffusion SODEs

关于单调跳跃扩散SODEs的ergodic近似弱误差估计

Zhihui Liu, Xiaoming Wu

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究了单调跳跃扩散SODEs中随机theta方法的指数ergodic性及后向欧拉方法的弱误差估计，探讨了时间无关估计在无跳跃情况下的收敛性。

Comments to appear at Commun. Math. Sci

RNE: plug-and-play diffusion inference-time control and energy-based training

RNE: 可插拔的扩散推理时间控制与基于能量的训练

Jiajun He, José Miguel Hernández-Lobato, Yuanqi Du, Francisco Vargas

机构 * University of Cambridge（剑桥大学） ； Cornell University（康奈尔大学） ； Xaira Therapeutics 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出RNE，通过路径分布密度比的概念，建立了边际密度与转移核之间的联系，统一了扩散密度估计、推理时间控制和基于能量的扩散训练。实验显示RNE在推理时间控制和训练能量扩散模型方面表现优异。

Comments Accepted at ICLR 2026

Minimal speed of unbounded traveling wave solutions for a 1D reaction-diffusion equation and their relationship with the dynamics at infinity

一维反应扩散方程无界行波解的最小速度及其与无穷远处动力学的关系

Yu Ichida

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究了一维反应扩散方程中无界行波解的最小速度及其与无穷远处动力学的关系，通过Poincaré型紧致化方法揭示了二维常微分方程组的动力学特性，确定了行波解的分类、正负性及最小速度的显式形式。

Decentralized Diffusion Policy Learning for Enhanced Exploration in Cooperative Multi-agent Reinforcement Learning

去中心化扩散策略学习用于增强合作多智能体强化学习中的探索

Yuyang Zhang, Haldun Balim, Na Li

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出去中心化扩散策略学习方法，通过扩散概率模型提升多智能体强化学习中的探索能力，解决了高维动作空间下的策略表达限制问题。

TRACE: Transport Alignment Conformal Prediction via Diffusion and Flow Matching Models

TRACE: 通过扩散与流匹配模型进行传输对齐的置信域

Zhenhan Fang, Aixin Tan, Jian Huang

机构 * Department of Statistics and Actuarial Science University of Iowa（统计与精算科学系，爱荷华大学） ； Departments of Data Science and AI, and Applied Mathematics The Hong Kong Polytechnic University（数据科学与人工智能系、应用数学系，香港理工大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出TRACE框架，通过扩散和流匹配模型中的传输对齐定义非符合性分数，实现多维输出的有效置信域构造，验证了其在复杂生成设置中的有效性。

Comments 22 pages, 5 figures and 5 tables

Test-Time Compositional Generalization in Diffusion Models via Concept Discovery

通过概念发现实现扩散模型中的测试时间组合泛化

Zekun Wang, Anant Gupta, Tianyi Zhu, Christopher J. MacLellan

机构 * Georgia Institute of Technology（佐治亚理工学院） ； University of Virginia（弗吉尼亚大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出通过发现时间索引分数几何结构，实现扩散模型在测试时的组合生成，优于传统基线方法。

Comments 9 pages

Unlocking High-Fidelity Molecular Generation from Mass Spectra via Dual-Stream Line Graph Diffusion

通过双流线图扩散解锁高保真分子生成：从质谱数据

Xujun Che, Xiuxia Du, Depeng Xu

机构 * Department of Software and Information Systems, University of North Carolina at Charlotte（北卡罗来纳州立大学软件与信息系统系） ； Department of Bioinformatics and Genomics, University of North Carolina at Charlotte（北卡罗来纳州立大学生物信息学与基因组学系） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出双流线图扩散模型，通过交替求解原子和键级推理子问题，提升从质谱数据生成分子的准确性，实验结果显示其在两个基准测试中达到34.37%和23.89%的top-1准确率，优于现有方法。

Don't Retrain, Align: Adapting Autoregressive LMs to Diffusion LMs via Representation Alignment

无需再训练，对齐：通过表征对齐将自回归语言模型适应到扩散语言模型

Fred Zhangzhi Peng, Alexis Fox, Anru R. Zhang, Alexander Tong

机构 * Duke University（杜克大学） ； AITHYRA 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出REPR-ALIGN方法，通过表征对齐将自回归模型转换为扩散模型，实现4倍训练加速，尤其在低数据情况下效果显著。

Comments Code available at https://github.com/pengzhangzhi/Open-dLLM

Christoffel-DPS: Optimal sensor placement in diffusion posterior sampling for arbitrary distributions

Christoffel-DPS: 在扩散后验采样中为任意分布优化传感器布置

James Rowbottom, Nick Huang, Carola-Bibiane Schönlieb, Ben Adcock

机构 * Department of Applied Mathematics and Theoretical Physics（应用数学与理论物理系） ； University of Cambridge（剑桥大学） ； Department of Mathematics（数学系） ； Simon Fraser University（西蒙弗雷泽大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出Christoffel-DPS方法，基于Christoffel函数为任意分布提供非渐近的传感器数量界，优于传统高斯方法，适用于非高斯基准的低传感器预算场景。

On Privacy Leakage in Tabular Diffusion Models: Influential Factors, Attacker Knowledge, and Metrics

关于表格扩散模型中的隐私泄露：影响因素、攻击者知识和度量标准

Masoumeh Shafieinejad, D. B. Emerson, Behnoosh Zamanlooy, Elaheh Bassak, Fatemeh Tavakoli, Sara Kodeiri, Marcelo Lotif, Xi He

机构 * Vector Institute（向量研究所） ； McMaster University（麦 master 大学） ； University of Toronto（多伦多大学） ； University of Waterloo（滑铁卢大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 研究探讨了表格扩散模型中隐私泄露的影响因素，通过黑盒和白盒设置中的最新成员推断攻击，量化了训练设置、合成选择和攻击者知识对隐私泄露的影响，并揭示了启发式隐私度量的缺陷。

Comments 23 pages, 11 Figures, 12 Tables

Conditional generation of antibody sequences with classifier-guided germline-absorbing discrete diffusion

基于分类器引导的germline吸收离散扩散的抗体序列生成

Justin Sanders, Luca Giancardo, Lan Guo, Yue Zhao, Kemal Sonmez, Nina Cheng, Melih Yilmaz

机构 * Paul G. Allen School of Computer Science and Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院） ； Life Sciences, Amazon Web Services（亚马逊网络服务生命科学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出germline吸收扩散模型，通过离散扩散微调提升抗体序列生成性能，有效减少germline偏差，改进非germline残基预测准确率，并在条件生成任务中优于现有方法。

Comments 9 pages, 2 figures, 2 tables

Neural Continuous-Time Markov Chain: Discrete Diffusion via Decoupled Jump Timing and Direction

神经连续时间马尔可夫链：通过解耦的跳跃时间和方向实现离散扩散

Jingyuan Li, Xiaoyi Jiang, Fukang Wen, Wei Liu, Renqian Luo, Yi Zhu, Zuoqiang Shi, Pipi Hu

机构 * Tsinghua University（清华大学） ； Beijing Institute of Mathematical Sciences and Applications（北京数学科学研究院） ； Wuhan University（武汉大学） ； MathonAI 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出神经CTMC模型，通过解耦跳跃时间和方向参数化，提升离散扩散生成性能，实验表明其在TinyStories和OpenWebText上优于现有方法。

RIDER: 3D RNA Inverse Design with Reinforcement Learning-Guided Diffusion

RIDER: 3D RNA逆向设计与强化学习引导的扩散

Tianmeng Hu, Yongzheng Cui, Biao Luo, Ke Li

机构 * University of Exeter（埃克塞特大学） ； Central South University（中南大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 RIDER通过强化学习引导扩散模型直接优化3D结构相似性，提升RNA逆向设计的结构准确性与多样性。

Comments Accepted as a conference paper at ICLR 2026

Emergence of Distortions in High-Dimensional Guided Diffusion Models

高维引导扩散模型中扭曲的出现

Enrico Ventura, Beatrice Achilli, Luca Ambrogioni, Carlo Lucibello

机构 * Department of Computing Sciences, Bocconi University（博科尼大学计算科学系） ； Donders Institute for Brain, Cognition and Behaviour, Radboud University（拉德堡德大学脑、认知与行为研究所） ； Bocconi Institute for Data Science and Analytics, Bocconi University（博科尼大学数据科学与分析研究所） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究了引导扩散模型中由于分类器自由引导导致的生成扭曲现象，分析了数据维度和类别数对扭曲的影响，并提出改进的引导方案以提升样本多样性。

Comments 41 pages, 21 figures

ART for Diffusion Sampling: A Reinforcement Learning Approach to Timestep Schedule

ART用于扩散采样：一种强化学习方法用于时间步调度

Yilie Huang, Wenpin Tang, Xunyu Zhou

机构 * Department of Industrial Engineering and Operations Research, Columbia University, New York, NY 10027, USA（工业工程与运筹学系，哥伦比亚大学，纽约，NY 10027，美国） ； Department of Industrial Engineering and Operations Research & Data Science Institute, Columbia University, New York, NY 10027, USA（工业工程与运筹学系及数据科学研究所，哥伦比亚大学，纽约，NY 10027，美国） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出ART方法，通过强化学习优化扩散模型的时间步调度，减少欧拉离散误差，提升生成质量。

Comments 25 pages, 8 figures, 5 tables

Are diffusion models ready for materials discovery in unexplored chemical space?

扩散模型是否准备好在未探索的化学空间中用于材料发现？

Sanghyun Kim, Gihyeon Jeon, Seungwoo Hwang, Jiho Lee, Jisu Jung, Seungwu Han, Sungwoo Kang

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文评估了两种扩散模型在不同数据库中的性能，发现其在常见化学空间表现稳定，但在包含稀有元素和非传统化学计量比的GNoME数据库中效果较差，并指出周期边界条件限制导致模型在原子数增加时性能下降。

Block Alpha-Circulant Preconditioners for All-at-Once Diffusion-Based Covariance Operators

块α-循环预条件子用于一次性扩散基协方差算子

Jemima M. Tabeart, Selime Gürol, John W. Pearson, Anthony T. Weaver

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出块α-循环预条件子用于一次性扩散基协方差算子的预条件方法，针对无法直接用离散傅里叶变换对角化的主扩散矩阵，通过求解内部块对角问题实现近似，结合Chebyshev半迭代和鞍点系统方法提升收敛效率。

Comments 28 pages, 8 figures, 8 Tables

On Diffusion Modeling for Anomaly Detection

关于扩散模型在异常检测中的应用

Victor Livernoche, Vineet Jain, Yashar Hezaveh, Siamak Ravanbakhsh

机构 * School of Computer Science, McGill University（麦吉尔大学计算机科学学院） ； Department of Physics, University of Montreal（蒙特利尔大学物理系） ； Mila - Quebec AI Institute（魁北克人工智能研究所） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文探讨了扩散模型在无监督和半监督异常检测中的不同变体，提出扩散时间估计方法，在保持性能的同时显著提升推理效率。

Journal ref Proceedings of the International Conference on Learning Representations (ICLR 2024)

STARFlow2: Bridging Language Models and Normalizing Flows for Unified Multimodal Generation

STARFlow2：连接语言模型与归一化流以实现统一的多模态生成

Ying Shen, Tianrong Chen, Yuan Gao, Yizhe Zhang, Yuyang Wang, Miguel Ángel Bautista, Shuangfei Zhai, Joshua M. Susskind, Jiatao Gu

机构 * Apple（苹果公司） 纠错

专题命中 扩散模型 ：image generation(abstract)；diffusion(abstract)；分类 cs.CV

AI总结 本文提出STARFlow2，通过归一化流与预训练视觉语言模型结合，实现高效的多模态生成，采用深度浅层流设计和统一FAE潜在空间，提升生成效率与性能。

Comments 19 pages, 9 figures

Consistency Regularised Gradient Flows for Inverse Problems

一致性正则化梯度流用于逆问题

Alessio Spagnoletti, Tim Y. J. Wang, Marcelo Pereyra, O. Deniz Akyildiz

机构 * Laboratoire MAP5, UMR 8145, Université Paris Cité, CNRS（巴黎城市大学MAP5实验室，UMR 8145，CNRS） ； Department of Mathematics, Imperial College London（伦敦帝国理工学院数学系） ； Heriot-Watt University, MACS & Maxwell Institute（赫瑞瓦德大学，MACS与麦克斯韦研究所） 纠错

专题命中 扩散模型 ：text-to-image(abstract)；diffusion(abstract)；分类 cs.CV

AI总结 本文提出一种统一的欧几里得-瓦瑟斯坦2梯度流框架，通过单一流程在潜在空间中联合执行后验采样和提示优化，减少计算成本并提升逆问题求解性能。

Learning Visual Feature-Based World Models via Residual Latent Action

通过残差潜在动作学习基于视觉特征的世界模型

Xinyu Zhang, Zhengtong Xu, Yutian Tao, Yeping Wang, Yu She, Abdeslam Boularias

机构 * Rutgers University（罗格斯大学） ； Purdue University（普渡大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 纠错

专题命中 扩散模型 ：image generation(abstract)；diffusion(abstract)；分类 cs.CV

AI总结 本文提出RLA-WM世界模型，通过流匹配预测残差潜在动作，优于现有特征和视频扩散模型，且在速度和效率上更优，同时开发了两项机器人学习技术。

Attention Sparsity is Input-Stable: Training-Free Sparse Attention for Video Generation via Offline Sparsity Profiling and Online QK Co-Clustering

注意力稀疏性是输入稳定的：通过离线稀疏性分析和在线QK共聚类实现训练自由的视频生成稀疏注意力

Jiayi Luo, Jiayu Chen, Jiankun Wang, Cong Wang, Hanxin Zhu, Qingyun Sun, Chen Gao, Zhibo Chen, Jianxin Li

机构 * SKLCCSE, School of Computer Science and Engineering, Beihang University（软件学院，北京航空航天大学） ； Beihang University（北京航空航天大学） ； School of Computer Science, Peking University（北京大学计算机学院） ； the State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，中国科学院自动化研究所） ； School of Information Science and Technology, University of Science and Technology of China（信息科学与技术学院，中国科学技术大学） ； BNRist, Tsinghua University（北京理工大学，清华大学） ； Zhongguancun Academy（中关村学院） 纠错

专题命中 扩散模型 ：diffusion(abstract,abstract_cn)；分类 cs.CV

AI总结 本文提出SVOO框架，通过离线层间稀疏性分析和在线双向共聚类实现训练自由的视频生成稀疏注意力，解决传统方法中层异质性和查询-键耦合问题，提升生成质量与速度的平衡。

Comments Accepted by ICML 2026

PET-Adapter: Test-Time Domain Adaptation for Full and Limited-Angle PET Image Reconstruction

PET-Adapter：全角度和有限角度PET图像重建的测试时间域适应

Rüveyda Yilmaz, Yuli Wu, Johannes Stegmaier, Volkmar Schulz

机构 * Institute of Imaging and Computer Vision, RWTH Aachen University, Germany（成像与计算机视觉研究所，亚琛工业大学，德国） ； Machine Learning for Medical Data, Heinrich Heine University Düsseldorf, Germany（医学数据机器学习，杜伊斯堡-艾森大学，德国） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 PET-Adapter通过测试时间域适应框架，使预训练于phantom数据的生成式PET重建模型适应不同解剖结构、示踪剂和扫描仪配置的临床数据，无需配对真实数据，提升全角度和有限角度重建性能。

ST-Gen4D: Embedding 4D Spatiotemporal Cognition into World Model for 4D Generation

ST-Gen4D：将4D时空认知嵌入世界模型以实现4D生成

Haonan Wang, Hanyu Zhou, Tao Gu, Luxin Yan

机构 * School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； School of Computing, Macquarie University（麦考瑞大学计算机学院） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 本文提出ST-Gen4D框架，通过4D时空认知世界模型实现4D生成，结合时空表示、认知、推理和生成四大设计，提升4D生成的结构合理性和拓扑一致性。

Factored Classifier-Free Guidance

因子分类器无关引导

Tian Xia, Fabio De Sousa Ribeiro, Rajat R Rasal, Avinash Kori, Raghav Mehta, Ben Glocker

机构 * Department of Computing, Imperial College London, UK（伦敦帝国理工学院计算系） 纠错

专题命中 扩散模型 ：diffusion(abstract)；分类 cs.CV

AI总结 本文提出因子分类器无关引导方法，通过因果图实现属性级控制，提升反事实推理的严谨性和可逆性。

Comments Accepted at ICML 2026