图像生成

Mixture-of-Experts Diffusion Models for Adaptive Massive MIMO Channel Estimation via Variational Bayesian Inference

基于变分贝叶斯推断的混合专家扩散模型用于自适应大规模MIMO信道估计

Zhuorui Jiang, Jun Fang, Boyu Ning, Hongbin Li, Ying-Chang Liang

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出一种结合变分贝叶斯推断的混合专家扩散模型框架，用于改进大规模MIMO系统中信道估计的适应性，通过使用多个预训练扩散模型和概率图模型，实现对不同传播环境的自适应调整。

Comments 13 pages, 7 figures, 2 tables

Forward-Learned Discrete Diffusion: Learning how to noise to denoise faster

前向学习离散扩散：学习如何更快地噪声去噪声

Grigory Bartosh, Teodora Pandeva, Sushrut Karmalkar, Javier Zazo

机构 * University of Amsterdam（阿姆斯特丹大学） ； Microsoft Research, Cambridge（微软研究院，剑桥） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出前向学习离散扩散（FLDD），通过引入可学习的前向（噪声）过程，减少目标分布与模型分布之间的差距，实现少步生成。该方法采用非马尔可夫形式，利用可学习的边缘和后验分布，使生成过程保持因子化同时匹配噪声过程定义的目标。实验表明，在相同采样步数下，FLDD生成的样本质量优于传统离散扩散模型。

Positivity and long-term behaviour of a diffusion model with measure-valued nonlocal reaction term

具有测度值非局部反应项的扩散模型的正性与长期行为

Xiao Yang, Qiyao Peng, Sander C. Hille

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 研究了在实线上具有非局部和奇异反应项的扩散方程解的行为，即由原点处的狄拉克源或汇给出。通过简化表示例如一个能够远距离感知浓度但干预原点的控制系统。正解（对于正初始条件）不能在所有参数设置下保证。我们确定了参数范围和正初始条件的单调性和对称性条件，使得可以得出解在所有时间的正性。此外，我们提供了确保系统收敛到常数稳态（点wise）的条件，该稳态位于观测区域之外。技术上，我们广泛使用拉普拉斯变换论证来获得这些结果。

Observations on Recurrent Loss in the Neural Network Model of a Partial Differential Equation: the Advection-Diffusion Equation

对偏微分方程神经网络模型中复发损失的观察：对流-扩散方程

Jonah A. Reeger

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究了利用机器学习方法近似求解偏微分方程时的稳定性问题，提出了一种与多步法结合配方法的递归网络，用于近似对流-扩散方程的空间导数，并展示了在简单线性问题中参数变化的影响以及传统数值方法可能失效的情况下稳定解的发现。

COLSON: Controllable Learning-Based Social Navigation via Diffusion-Based Reinforcement Learning

COLSON: 通过基于扩散的强化学习实现可控的社会导航

Kohei Matsumoto, Yuki Tomita, Yuki Hyodo, Ryo Kurazume

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的强化学习方法，用于社会导航，通过灵活的动作分布提高了导航的适应性和可控性，同时能够适应未见过的场景。

Comments ICRA 2026

Wasserstein bounds for denoising diffusion probabilistic models via the Föllmer process

通过Föllmer过程研究去噪扩散概率模型的Wasserstein界限

Yuta Koike

机构 * Graduate School of Mathematical Sciences, University of Tokyo（东京大学数学科学研究院） ； CREST, Japan Science and Technology Agency（日本科学技术 Agency CREST） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究了去噪扩散概率模型（DDPMs）在2-Wasserstein距离下的采样误差界限，提出了三种核心贡献：一是基于一般Lipschitz型条件和广泛方差调度（包括余弦调度），建立了最优的上界；二是证明了相同的Lipschitz型条件蕴含对数Sobolev不等式和二次运输成本不等式；三是展示了对于一般的对数凹目标分布，即使没有二次运输成本不等式，最优的Wasserstein误差界限仍可达到。

Comments 45 pages

FLAG: Foundation model representation with Latent diffusion Alignment via Graph for spatial gene expression prediction

FLAG: 通过图结构的潜在扩散对齐实现基础模型表示以空间基因表达预测

Qi Si, Penglei Wang, Yushuai Wu, Yifeng Jiao, Xuyang Liu, Xin Guo, Yuan Qi, Yuan Cheng

机构 * Shanghai Academy of Artificial Intelligence for Science, Shanghai, China.（上海人工智能科学研究院） ； School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai, China.（上海交通大学生物医学工程学院） ； Incubation Institute, Fudan University, Shanghai, China.（复旦大学孵化院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出FLAG框架，通过图结构的潜在扩散对齐方法，解决空间基因表达预测中的基因协调和空间分布关系问题，并引入基因维度诅咒的概念，通过空间图编码器和基因基础模型对齐来提升模型的结构一致性与基因间保真度。

Comments 9 pages for main text, 3 pages for references, 19 pages for appendix. accepted by ICML 2026

A note on connections between the Föllmer process and the denoising diffusion probabilistic model

关于Föllmer过程与去噪扩散概率模型之间联系的注记

Yuta Koike

机构 * Graduate School of Mathematical Sciences, University of Tokyo（东京大学数学科学研究院） ； CREST, Japan Science and Technology Agency（日本科学技术 Agency CREST） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文探讨了Föllmer过程与去噪扩散概率模型（DDPM）之间的联系，指出离散化的Föllmer过程可以作为DDPM采样器的自然超参数设置，并系统地恢复了DDPM采样误差界的结果。

Comments 32 pages

McLachlan-projected reduced dynamics for ill-posed Schrödingerized backward diffusion

McLachlan投影的降阶动力学用于不相容的Schrödinger化反向扩散

Jeongbin Jo

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究了McLachlan投影在处理不相容的Schrödinger化反向扩散问题中的应用，通过降阶动力学方法提供结构化正则化，证明了降阶流的唯一性、Gram范数守恒以及提升-降阶间隙界，并展示了统计矩阵元素估计下的扰动估计。同时，提出了一种经典的基线方法，通过频谱低通或Tikhonov滤波对比Schrödinger化降阶流程的效果。

Training data attribution in diffusion models via mirrored unlearning and noise-consistent skew

通过镜像反学习和噪声一致偏斜训练数据归因

Joan Serrà, Dipam Goswami, Fabio Morreale, Wei-Hsiang Liao, Yuki Mitsufuji

机构 * Sony AI（索尼人工智能） 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镜像反学习和噪声一致偏斜的方法，用于提升扩散模型的训练数据归因的可靠性与鲁棒性，通过在不同数据集上显著优于现有方法，展示了其在生成实例间影响实例重叠和扩散损失比较任务中的潜力。

Comments 21 pages, 5 figures, 9 tables (includes appendix)

AdaptiveLoad: Towards Efficient Video Diffusion Transformer Training

AdaptiveLoad: 向高效视频扩散变换器训练迈进

Yucheng Guo, Yongjian Guo, Zhong Guan, Haoran Sun, Wen Huang, Wanting Xu, Jing Long, Shuai Di, Junwu Xiong

机构 * Tsinghua University（清华大学） ； Peking University（北京大学） ； Tianjin University（天津大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出AdaptiveLoad框架，通过双约束自适应负载平衡系统和融合LayerNorm-Modulate CUDA内核，解决视频生成模型中大规模视频扩散变换器（如DiT和MMDiT）训练中的计算不平衡问题，实验显示其在Wan 2.1世界模型上提升了计算效率和训练吞吐量。

Fine-tuning Pocket-Aware Diffusion Models via Denoising Policy Optimization

通过去噪策略优化微调意识口袋扩散模型

Yuan Xue, Daniel Kudenko, Megha Khosla

机构 * L3S Research Center（L3S研究所以） ； Delft University of Technology（代尔夫特理工大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出DEPPA方法，基于去噪扩散策略优化，通过强化学习微调预训练的意识口袋扩散模型，以优化结合亲和力、药物性、可合成性和多样性等多属性。

S2Accompanist: A Semantic-Aware and Structure-Guided Diffusion Model for Music Accompaniment Generation

S2Accompanist: 一种语义感知和结构引导的扩散模型用于音乐伴奏生成

Huakang Chen, Wenkai Cheng, Guobin Ma, Chunbo Hao, Yuxuan Xia, Mengqi Wei, Zhixian Zhao, Pengcheng Zhu, Hanbing Zhang, Lei Xie

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出S2Accompanist，一种语义感知和结构引导的扩散模型，用于音乐伴奏生成，解决了现有模型在数据和计算资源受限情况下生成连贯纯音乐伴奏和缺乏精确局部语义控制的问题。

Self-Distilled Trajectory-Aware Boltzmann Modeling: Bridging the Training-Inference Discrepancy in Diffusion Language Models

自蒸馏轨迹感知玻尔兹曼建模：弥合扩散语言模型训练-推理差异

Kecheng Chen, Ziru Liu, Xijia Tao, Hui Liu, Yibing Liu, Xinyu Fu, Shi Wu, Suiyun Zhang, Dandan Tu, Lingpeng Kong, Rui Liu, Haoliang Li

机构 * City University of Hong Kong（香港城市大学） ； Huawei Research（华为研究） ； The University of Hong Kong（香港大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究了如何利用自蒸馏轨迹进行真正的知识获取，而非仅加速推理。提出TABOM框架，通过玻尔兹曼建模对推理解屏蔽偏好建模，从而在新领域中提升扩散语言模型的表现并缓解灾难性遗忘。

Comments Project website: https://tonyckc.github.io/TABOM-web/

Physics-guided curriculum learning for the identification of reaction-diffusion dynamics from partial observations

基于物理的课程学习用于从部分观测中识别反应扩散动力学

Hanyu Zhou, Yuansheng Cao, Yaomin Zhao

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种基于物理的课程学习框架CLIP，用于从部分观测中联合推断反应扩散系统的参数和隐藏状态，通过课程学习和锚定扩展转移策略，实现了更准确和稳健的识别。

Unlocking the Potential of Diffusion Language Models through Template Infilling

通过模板填充解锁扩散语言模型的潜力

Junhoo Lee, Seungyeon Kim, Nojun Kwak

机构 * Seoul National University（首尔国立大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种针对扩散语言模型的模板填充方法，通过在生成响应空间中建立全局蓝图，提升了数学推理、代码生成和旅行规划等任务的性能，同时在多token生成中实现了生成质量与速度的平衡。

Comments ACL 2026 Main Conference - Long Paper, Oral Presentation

Method for testing diffusive shock acceleration and diffusion propagation of 1-100 TeV cosmic electrons with multiwavelength observations of the Geminga halo and pulsar wind nebula

利用Geminga环和脉冲星风云的多波段观测测试1-100 TeV宇宙电子的扩散冲击加速和扩散传播方法

Weikang Gao, Li-Zhuo Bao, Kun Fang, En-sheng Chen, Siming Liu, HongBo Hu

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 通过Geminga环和脉冲星风云的多波段观测数据，研究1-100 TeV范围内宇宙电子的扩散冲击加速和扩散传播理论，并验证其在高能范围内的适用性。

Comments 11 pages, 4 figures,Published in Phys. Rev. D 113, 103024. DOI: https://doi.org/10.1103/lyfj-dhly

Journal ref Phys. Rev. D 113, 103024 (2026)

Probabilistic Mechanism Design in Diffusion Auctions

扩散拍卖中的概率机制设计

Xinlun Zhang, Zhechen Li, Yongzhi Cao, Yu Huang, Hanpin Wang

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种适用于路径图的新型概率扩散机制（PDM），该机制在激励相容、非负收益和近似效率方面均具有常数近似界。进一步，通过映射函数f扩展PDM至一般网络结构，得到f-PDM机制，并在f满足特定属性时确保Sybil鲁棒性和近似收益。此外，为应对买家合谋问题，设计了平衡合谋鲁棒性与收益近似的改进机制，并扩展至多单位扩散拍卖场景，提出简单有效的MUPDM机制，实现近似效率的同时保持激励相容性，并设计Sybil-proof MUPDM（SP-MUPDM）以抵抗多物品场景下的Sybil攻击。

Beyond Execution: Static-Analysis Rewards and Hint-Conditioned Diffusion RL for Code Generation

超越执行：静态分析奖励与提示条件扩散强化学习用于代码生成

Shuyin Ouyang, Zhaozhi Qian, Faroq AL-Tam, Muhammad AL-Qurishi, Jie M. Zhang

机构 * King’s College London（伦敦国王学院） ； Elm Europe（Elm欧洲） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究了强化学习在扩散式代码生成中的应用，探讨了静态分析奖励和提示条件扩散强化学习在不同任务难度下的效果，发现静态检查在提升代码生成性能方面表现最佳。

AnchorDiff: Topology-Aware Masked Diffusion with Confidence-based Rewriting for Radiology Report Generation

AnchorDiff: 基于拓扑结构的掩码扩散模型与基于置信度的重写方法用于放射学报告生成

Shiying Yu, Jielei Wang, Guoming Lu

机构 * University of Electronic Science and Technology of China（电子科技大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出AnchorDiff，一种首个结合临床锚点的掩码扩散框架，用于生成放射学报告。该方法通过拓扑感知训练策略和推理时的重写策略，有效缓解了固定顺序自回归解码的局限性，实现了最先进的性能。

Roll Out and Roll Back: Diffusion LLMs are Their Own Efficiency Teachers

展开与回退：扩散大语言模型是它们自己的效率教师

Fanqin Zeng, Feng Hong, Geng Yu, Huangjie Zheng, Xiaofeng Cao, Ya Zhang, Bo Han, Yanfeng Wang, Jiangchao Yao

机构 * Shanghai Jiao Tong University（上海交通大学） ； Apple MLR ； Tongji University（同济大学） ； Hong Kong Baptist University（香港 Baptist 大学） ； RIKEN（日本理化学研究所） 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可撤销解码的扩散大语言模型（DLLM）方法，通过发现可靠的去噪顺序来提升生成质量和效率，WINO和WINO+在多个数据集上展示了显著的性能提升。

Plan First, Diffuse Later: Extrinsic Graph Guidance for Long-Horizon Diffusion Planning

先规划，后扩散：用于长视距扩散规划的外在图引导

Yaniv Hassidof, Adir Morgan, Yilun Du, Kiril Solovey

机构 * Technion（技术Ion大学） ； Harvard（哈佛大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种外在搜索引导的扩散模型（XDiffuser），通过在状态空间图上先规划再引导扩散过程，以提高长视距规划的效率和效果，尤其在低质量数据和未见任务中表现优异。

Non-linear diffusion and inhomogeneity of the magnetic field in single-turn coils: Insights from 3D multiphysics modeling

单线圈非线性扩散和磁场不均匀性：来自三维多物理建模的见解

Hideaki Kobayashi, Yugaku Goyo, Yuto Ishii, Yasuhiro H. Matsuda, Kunio Takekoshi, Akihiko Ikeda

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 研究通过三维多物理建模揭示了单线圈中电流、温度和磁场的非线性扩散及其空间时间不均匀性，探讨了单线圈脉冲磁体的动态现象。

Comments 9 pages, 7 figures

Orthrus: Memory-Efficient Parallel Token Generation via Dual-View Diffusion

Orthrus：通过双视角扩散实现内存高效的并行令牌生成

Chien Van Nguyen, Chaitra Hegde, Van Cuong Pham, Ryan A. Rossi, Franck Dernoncourt, Thien Huu Nguyen

机构 * University of Oregon（俄勒冈大学） ； Google DeepMind（谷歌DeepMind） ； Adobe Research（Adobe研究） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 Orthrus结合自回归大语言模型的高保真生成与扩散模型的高速并行生成，通过双视角机制实现高效推理，提升速度7.8倍且内存开销极低。

Geometry-Aware Attention Guidance for Diffusion Models via Modern Hopfield Dynamics

基于现代Hopfield动力学的几何感知注意力引导：通过现代Hopfield动力学实现扩散模型的几何感知注意力引导

Kwanyoung Kim

机构 * Department of AI Convergence（人工智能融合学院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出几何感知注意力引导方法，通过分析注意力扩展中的现代Hopfield动力学，证明了稀疏-密集差异的两个方向性性质，从而提供一种无需训练的插拔式扩展规则，提升扩散模型生成质量。

The Diffusion Duality, Chapter II: $Ψ$-Samplers

扩散对偶性，第二章：Ψ-采样器

Justin Deschenaux, Caglar Gulcehre, Subham Sekhar Sahoo

机构 * EPFL, Lausanne, Switzerland（苏黎世联邦理工学院，洛桑分校） ； Microsoft AI（微软人工智能） ； Cornell Tech, NY（康奈尔科技） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种通用的预测-校正采样器，用于离散扩散模型，提升了语言和图像建模的生成质量，并展示了其在训练效率上的优势。

Joint Enhancement and Classification using Coupled Diffusion Models of Signals and Logits

信号与logits的耦合扩散模型联合增强与分类

Gilad Nurko, Roi Benita, Yehoshua Dissen, Tomohiro Nakatani, Marc Delcroix, Shoko Araki, Joseph Keshet

机构 * Technion -- Israel Institute of Technology, Haifa, Israel（技术学院——以色列理工学院，海法，以色列） ； NTT, Inc., Japan（日本NTT公司） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出一种集成信号和logits扩散模型的框架，通过相互指导提升分类鲁棒性，有效应对噪声环境下的分类挑战。

Analyzing and Guiding Zero-Shot Posterior Sampling in Diffusion Models

分析和指导扩散模型中的零样本后验采样

Roi Benita, Michael Elad, Joseph Keshet

机构 * Department of Electrical and Computer Engineering（电气工程系） ； Department of Computer Science（计算机科学系） ； Technion, Haifa, Israel（以色列海法技术学院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文分析了扩散模型中零样本后验采样的方法，提出基于高斯假设的框架，通过频域分析实现参数设计，提升感知质量和信号保真度。

LaDi-RL: Latent Diffusion Reasoning Prevents Entropy Collapse in Reinforcement Learning

LaDi-RL：潜在扩散推理防止强化学习中的熵崩溃

Haoqiang Kang, Yizhe Zhang, Nikki Lijing Kuang, Yi-An Ma, Lianhui Qin

机构 * UC San Diego（斯克利普斯海洋研究所） ； Apple（苹果公司） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出LaDi-RL方法，通过潜在扩散模型生成潜在推理轨迹，解决强化学习中熵崩溃问题，提升代码生成和数学推理性能。

fPINN-DeepONet: A Physics-Informed Operator Learning Framework for Multi-term Time-fractional Mixed Diffusion-wave Equations

fPINN-DeepONet：一种用于多项时间分数混合扩散波方程的物理信息运算学习框架

Binghang Lu, Zhaopeng Hao, Christian Moya, Guang Lin

机构 * Department of Mathematics, Purdue University West Lafayette, IN 47907, USA（普渡大学数学系） ； Department of Mathematics, Purdue University School of Mechanical Engineering, Purdue University West Lafayette, IN 47907, USA（普渡大学机械工程学院数学系） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出fPINN-DeepONet框架，结合运算学习与L2近似，高效求解分数偏微分方程，适用于固定和变分数阶PDE，并通过动态变化的分数阶和噪声数据实验验证其准确性、鲁棒性和效率。