图像生成

CMAD: Cooperative Multi-Agent Diffusion via Stochastic Optimal Control

CMAD：通过随机最优控制的协作多智能体扩散

Riccardo Barbano, Alexander Denker, Zeljko Kereta, Runchang Li, Francisco Vargas

机构 * University of Cambridge（剑桥大学） ； Xaira Technologies（Xaira技术公司） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种新的框架，将多模型组合生成问题转化为协作随机最优控制问题，通过联合优化扩散轨迹来实现更有效的生成效果。

WIND: Weather Inverse Diffusion for Zero-Shot Atmospheric Modeling

WIND：用于零样本大气建模的天气反向扩散

Michael Aich, Andreas Fürst, Florian Sestak, Carlos Ruiz-Gonzalez, Niklas Boers, Johannes Brandstetter

机构 * Munich Climate Center（慕尼黑气候中心） ； Earth System Modelling Group, TUM School of Engineering（地球系统建模组，技术大学工程学院） ； Design, Technical University of Munich, Germany（设计，慕尼黑技术大学，德国） ； ELLIS Unit, LIT AI Lab, Institute for Machine Learning, JKU Linz, Austria（ELLIS单元，LIT人工智能实验室，机器学习研究所，JKU林茨，奥地利） ； Emmi AI GmbH, Linz, Austria（Emmi AI GmbH，林茨，奥地利） ； Potsdam Institute for Climate Impact Research, Potsdam, Germany（波茨坦气候影响研究所，波茨坦，德国） ； Department of Mathematics, University of Exeter, Exeter, United Kingdom（数学系，埃克塞特大学，埃克塞特，英国） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出WIND，一种统一的预训练基础模型，能够无需任务特定微调即可替代各种任务的专用基线，通过自监督视频重建目标预训练，实现了对大气的鲁棒、任务无关的先验学习，从而解决天气和气候问题，如概率预报、空间时间降尺度、从稀疏观测重建空间场以及强制全球干空气质量守恒。

Comments Published at the 43rd International Conference on Machine Learning (ICML 2026)

From Score Matching to Diffusion: A Fine-Grained Error Analysis in the Gaussian Setting

从分数匹配到扩散：在高斯设定下的细粒度误差分析

Samuel Hurault, Matthieu Terris, Thomas Moreau, Gabriel Peyré

机构 * ENS Paris, PSL, CNRS（巴黎高等师范学院、巴黎综合理工学院、国家科学研究中心） ； Univ. Paris-Saclay, Inria, CEA（巴黎萨克雷大学、法国国家信息与自动化技术研究所、法国原子能委员会） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究了在高斯设定下使用扩散采样器时的采样误差，分析了分数匹配和扩散过程中的四个主要误差源，并揭示了数据分布各向异性与端到端采样方法关键参数之间的相互作用。

Probabilistic Multivariate Time Series Forecasting with Diffusion Copulas

基于扩散Copula的概率多变量时间序列预测

David Huk, Dongshan Wang, Miha Bresar

机构 * Department of Statistics The University of Warwick（威斯敏斯特大学统计系） ； School of Data Science The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）数据科学学院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种扩散-Copula框架，通过分离边际分布学习与依赖结构学习，改进了多变量时间序列预测中对尾部风险的估计，展示了在加密货币市场中对系统性极值的预测优势。

Comments ICLR 2026 Workshop Advances in Financial AI

Diffusion Graph Posterior Sampling for Nonlinear Inverse Problems with Application to Electrical Impedance Tomography

基于扩散后验采样的图结构数据非线性反问题求解方法及其在电阻抗断层成像中的应用

Giovanni S. Alberti, Damiana Lazzaro, Serena Morigi, Matteo Santacesaria, Shibo Wang

机构 * MaLGa Center, Department of Mathematics, University of Genova（马尔加中心，数学系，热那亚大学） ； Department of Mathematics, University of Bologna（数学系，博洛尼亚大学） ； Department of Mathematics, Harbin Institute of Technology（数学系，哈尔滨工业大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种扩展扩散后验采样（DPS）到图结构数据的框架，通过在二维三角网格上开发无条件分数基于扩散模型来学习物理解空间的准确先验，并引入正则化变体RDPS，结合总变差和广义Tikhonov等显式正则化项，以缓解严重病态问题，实验表明RDPS在合成和真实2D EIT数据集上产生稳定且物理合理的重建。

Drifting Objectives for Refining Discrete Diffusion Language Models

漂移目标用于细化离散扩散语言模型

Daisuke Oba, Hiroki Furuta, Naoaki Okazaki

机构 * Institute of Science Tokyo（东京科学研究院） ； AIST（日本产业技术综合研究所） ； NII LLMC（日本信息处理学会LLMC） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究如何将漂移方法应用于离散扩散语言模型，通过引入TokenDrift目标，将类别预测提升为软令牌特征，并在冻结语义空间中应用反称漂移，从而提升生成质量。

Comments Project page: https://daioba.github.io/tokendrift/

A Unified Transmissibility-Based Interior Penalty DG Method for Heterogeneous and Anisotropic Diffusion

一种适用于异质和各向异性扩散的统一传输性基于内部惩罚非连续有限元方法

Gregory Etangsale, Vincent Fontaine, Anis Younes

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种基于传输性的统一内部惩罚非连续有限元方法，用于解决异质和各向异性扩散问题，通过精确的代数消元得到一个紧凑的混合内部惩罚方法，该方法具有稳定的性能，不受扩散对比度和各向异性影响，并通过数值实验验证了理论结果。

Comments 27 pages, 7 figures. Preprint, submitted to Applied Mathematical Modelling

Tweedie's Formulae and Diffusion Generative Models Beyond Gaussian

Tweedie's公式与超越高斯的扩散生成模型

Wenpin Tang, Nizar Touzi, Zikun Zhang, Xun Yu Zhou

机构 * Department of Industrial Engineering and Operations Research, Columbia University（哥伦比亚大学工业工程与运筹学系） ； Department of Finance and Risk Engineering, New York University（纽约大学金融与风险工程系） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文扩展了Tweedie公式以适用于重要的非高斯过程，如几何布朗运动、平方贝塞尔过程和Cox-Ingersoll-Ross过程，并利用这些公式在图像和金融时间序列生成以及经验贝叶斯估计中应用非高斯扩散模型，展示了非高斯模型的潜力。

Comments 27 pages, 18 figures

CDiT: Conditional Diffusion Transformer for Geometry-Aware Terahertz Cross Far- and Near-Field Channel Generation

CDiT：面向几何感知的太赫兹跨远近场信道生成的条件扩散变换器

Zhengdong Hu, Chong Han

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种条件扩散变换器（CDiT）框架，用于高保真太赫兹信道生成。通过利用最先进的混合平面球面波模型（HPSM），将太赫兹信道建模转化为稀疏波束域中的几何感知条件生成学习问题，结合位置信息作为条件信号，有效学习空间依赖的信道分布，从而实现可控且高保真的太赫兹信道合成。

Inference-Time Scaling in Diffusion Models through Iterative Partial Refinement

通过迭代部分细化在扩散模型中实现推理时间扩展

Taegu Kang, Jaesik Yoon, Sungjin Ahn

机构 * KAIST（韩国科学技术院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种无需外部验证器的扩散模型推理时间扩展方法Iterative Partial Refinement，通过在混合噪声条件下迭代部分细化生成更一致的样本，在MNIST Sudoku任务中提升了有效解率。

Comments Accepted at the ICLR 2026 Workshop on AI with Recursive Self-Improvement

GOAL: Graph-based Objective-Aligned Diffusion Solvers for Dynamic Multi-Objective Optimization

GOAL: 图基基于的目标对齐扩散求解器用于动态多目标优化

Xingyu Li

机构 * Purdue University（普渡大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出GOAL，一种基于图的扩散求解器，用于动态多目标优化问题，通过条件化扩散求解器实现可控决策生成，通过人类指定的目标进行条件化，引入异构图编码，允许信息根据约束的本体进行选择性传播，并在三个经典调度基准上实现了100%的解可行性和接近零的MAPE。

Noise scheduling and linear dynamics in diffusion models on Lie groups

在李群上扩散模型中的噪声调度与线性动力学

Javad Komijani

机构 * Institute for Theoretical Physics, ETH Zurich, 8093 Zurich, Switzerland（理论物理研究所，苏黎世联邦理工学院，瑞士苏黎世，8093） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究了在李群上扩散过程中噪声调度的作用，特别关注其在格点规范理论中的应用。研究发现特定的噪声调度可使Wilson作用量的期望值随扩散时间线性衰减，与欧几里得扩散模型相比，这种行为在李群设置中自然产生，而后者需要显式设计漂移项。

Comments 5 pages

HDFlow: Hierarchical Diffusion-Flow Planning for Long-horizon Tasks

HDFlow：用于长时间任务的分层扩散-流规划

Nandiraju Gireesh, Yuanliang Ju, Chaoyi Xu, Weiheng Liu, Yuxuan Wan, He Wang

机构 * Peking University（北京大学） ； University of Toronto（多伦多大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出HDFlow，一种新的分层规划框架，利用扩散和修正流模型的优势，克服了单一范式生成规划器的局限性，通过在模拟和现实中的家具组装任务验证其有效性。

Comments ICML 2026 (Spotlight)

TADA! Tuning Audio Diffusion Models through Activation Steering

TADA! 通过激活引导调整音频扩散模型

Łukasz Staniszewski, Katarzyna Zaleska, Mateusz Modrzejewski, Kamil Deja

机构 * Warsaw University of Technology（华沙技术大学） ； IDEAS Research Institute（IDEAS研究院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文通过激活引导技术揭示音频扩散模型中的语义瓶颈，并展示了局部激活引导在音频概念调节中的新状态-of-the-art性能。

Comments Preprint

Existence and uniqueness of $L^1$-solutions to time-fractional nonlinear diffusion equations

时间分数非线性扩散方程 $L^1$-解的存在性和唯一性

Mikiya Kametaka, Tatsuki Kawakami

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究了时间分数渗流类型非线性扩散方程的 $L^1$-解的存在性和唯一性，建立了全局存在性和唯一性，并证明了时间分数快速扩散方程 $L^1$-解的质量守恒定律，以及任何非负 $L^1$-解不会在有限时间内消失。

Comments 33 pages

Proximal Diffusion Neural Sampler

近端扩散神经采样器

Wei Guo, Jaemoo Choi, Yuchen Zhu, Molei Tao, Yongxin Chen

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种名为近端扩散神经采样器（PDNS）的框架，通过在路径测度空间上应用近端点方法，解决神经采样器在训练过程中遇到的多模式目标分布和模式崩溃问题，通过分阶段的简单子问题逐步逼近目标分布，促进模式的全面探索。

Comments Accepted at ICLR 2026 (https://openreview.net/forum?id=XTHQqS7ObC)

Variational Diffusion Channel Decoder

变分扩散通道解码器

Chengwei Zhang, Yifan Du, Siyu Liao

机构 * The School of Integrated Circuits（集成电路学院） ； Sun Yat-sen University（中山大学） ； Shenzhen, China（深圳，中国） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出一种高效的变分扩散模型基于通道解码器，结合领域特定的信念传播过程和扩散模型的强学习能力，实现了低成本和高纠错性能。

Composition of Memory Experts for Diffusion World Models

记忆专家的组合用于扩散世界模型

Sebastian Stapf, Pablo Acuaviva Huertos, Aram Davtyan, Paolo Favaro

机构 * Computer Vision Group（计算机视觉组） ； Department of Computer Science（计算机科学系） ； University of Bern（伯恩大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出了一种基于扩散的世界模型框架，通过组合专门化的记忆专家来解决记忆与效率之间的权衡问题，提升了时间一致性、过去观察的回忆和导航性能。

Journal ref Proceedings of the Fourteenth International Conference on Learning Representations (ICLR), 2026

Diffusion and Flow-based Copulas: Forgetting and Remembering Dependencies

扩散与流基copula：遗忘与记忆依赖

David Huk, Theodoros Damoulas

机构 * Department of Statistics（统计系） ； Department of Computer Science（计算机科学系） ； University of Warwick（沃里克大学） 纠错

专题命中 扩散模型 ：diffusion(title)

AI总结 本文提出基于扩散和流原理的copula建模方法，通过遗忘和记忆依赖机制，有效建模多变量依赖，提升了copula模型的表示能力，适用于复杂和高维数据。

Comments Published as a conference paper at ICLR 2026

Probability-Conserving Flow Guidance

概率守恒的流引导

Parsa Esmati, Junha Hyung, Amirhossein Dadashzadeh, Jaegul Choo, Majid Mirmehdi

机构 * University of Bristol（布里斯托大学） ； KAIST（韩国科学技术院） 纠错

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

AI总结 本文提出了一种概率守恒的流引导方法AdaMaG，通过分析连续方程，将引导效果分解为发散项和分数平行项，并通过时间依赖的调度和分数平行衰减来控制这两个项，从而在不增加推理成本的情况下提高生成质量并减少幻觉。

Multi-Scale Generative Modeling with Heat Dissipation Flow Matching

多尺度生成建模与热耗散流匹配

Jun Ma, Hanquan Zhang, Yanjun Qin, Haoyuan Guan, Ke Zhang

机构 * Department of Systems Science, Faculty of Arts and Sciences, Beijing Normal University（北京师范大学系统科学系，文理学院） ； School of Computer Science and Technology, Xinjiang University（新疆大学计算机科学与技术学院） ； International Academic Center of Complex Systems, Beijing Normal University（北京师范大学复杂系统学术中心） ； School of Systems Science, Beijing Normal University（北京师范大学系统科学学院） 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Heat Dissipation Flow Matching (HDFM)方法，通过引入连续模糊（热耗散）过程来注入多尺度先验，解决模糊基模型在SDE框架中的局限性，并在ODE框架如Flow Matching中实现更有效的多尺度细节保留和颜色预算保持。

What Makes Synthetic Data Effective in Image Segmentation

是什么使合成数据在图像分割中有效

Jinjin Zhang, Xiefan Guo, Yizhou Jin, Nan Zhou, Di Huang

机构 * State Key Laboratory of Complex and Critical Software Environment（复杂与关键软件环境国家重点实验室） ； Beihang University（北京航空航天大学） ； School of Computer Science and Engineering（计算机科学与工程学院） 纠错

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

AI总结 本文研究了合成数据在图像分割中的有效性，通过分析最先进的扩散模型生成的合成图像，发现密集场景构成和精细实例保真度是关键因素，并提出了一种统一框架SENSE，以提升分割性能。

Comments Accepted to ICML 2026

Discrete Tilt Matching

离散倾斜匹配

Yuyuan Chen, Shiyi Wang, Peter Potaptchik, Jaeyeon Kim, Michael S. Albergo

机构 * Harvard University（哈佛大学） ； University of Oxford（牛津大学） ； Kempner Institute（凯姆纳研究所） 纠错

专题命中 扩散模型 ：diffusion(abstract,abstract_cn)

AI总结 本文提出了一种无需概率模型的离散倾斜匹配方法，用于改进扩散大语言模型的微调，通过局部解掩码后验的状态级匹配来提高训练稳定性并防止模式崩溃。

X-Ray cardiac angiographic vessel segmentation based on pixel classification using machine learning and region growing

基于机器学习和区域生长的X射线心血管造影血管分割

E O Rodrigues, L O Rodrigues, J J Lima, D Casanova, F Favarim, E R Dosciatti, V Pegorini, L S N Oliveira, F F C Morais

机构 * Department of Academic Informatics (DAINF), Universidade Tecnologica Federal do Parana (UTEPR)（学术信息系（DAINF），技术联邦大学帕托布拉桑分校（UTEPR）） ； Graduate Program of Applied Sciences to Health Products, Universid ade Federal Fluminense (UFF)（健康产品应用科学研究生项目，联邦理工学院弗洛里亚纳分校（UFF）） ； Primary Health Care, Pato Branco Prefecture, Parana, Brazil（帕托布拉桑市初级卫生保健，巴兰省，巴西） ； Innovation Office, Mass General Brigham Hospital, Cambridge, Massachusetts, United States of America（麻省总医院创新办公室，剑桥，马萨诸塞州，美国） 纠错

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

AI总结 本文提出了一种基于像素分类的X射线血管分割方法，利用纹理特征和区域生长技术，通过随机森林分类器实现高精度血管识别，达到95.48%的准确率。

Journal ref Biomedical Physics & Engineering Express 2021

Feed-Forward Gaussian Splatting from Sparse Aerial Views

从稀疏航拍视图进行前馈高斯点扩散

Dongli Wu, Zhuoxiao Li, Tongyan Hua, Yinrui Ren, Xiaobao Wei, Rongjun Qin, Wufan Zhao

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港理工大学（广州）） ； Peking University（北京大学） ； The Ohio State University（俄亥俄州立大学） 纠错

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

AI总结 本文提出AnyCity框架，通过观察驱动的生成重建方法，解决稀疏航拍视图中大规模城市场景重建中的证据不平衡问题，通过几何潜在表示和条件化空中完成标记预测，实现高质量的3D高斯点场重建。

LongLive-2.0: An NVFP4 Parallel Infrastructure for Long Video Generation

LongLive-2.0: 一个基于NVFP4的长视频生成并行基础设施

Yukang Chen, Luozhou Wang, Wei Huang, Shuai Yang, Bohan Zhang, Yicheng Xiao, Ruihang Chu, Weian Mao, Qixin Hu, Shaoteng Liu, Yuyang Zhao, Huizi Mao, Ying-Cong Chen, Enze Xie, Xiaojuan Qi, Song Han

机构 * NVIDIA 纠错

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

AI总结 本文提出LongLive-2.0，一个基于NVFP4的并行基础设施，用于长视频生成的整个训练和推理流程，解决了速度和内存瓶颈问题。通过引入序列并行自回归训练方法，结合NVFP4精度，显著降低了GPU内存消耗并加速了训练过程。同时，该系统能够将扩散模型转换为长视频生成的自回归扩散模型，并在不同GPU架构上实现了高效的推理和训练。

Comments Code, model, and demos are available at https://github.com/NVlabs/LongLive

Scene-Action Prompt Fusion for Coherent Text-to-Video Storytelling

场景-动作提示融合用于连贯的文本到视频叙事

Taewon Kang, Divya Kothandaraman, Ming C. Lin

机构 * University of Maryland at College Park（马里兰大学学院市分校） ； Dolby Laboratories（杜比实验室） 纠错

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

AI总结 本文提出了一种整合场景和动作提示的叙事框架，通过动态启发的提示混合策略，解决文本到视频生成中时间一致性、语义一致性和场景-动作连续性的问题，通过三个关键组件实现了更连贯的视频叙事。

Comments Accepted to the 2026 IEEE International Conference on Image Processing (ICIP 2026). 13 pages, 4 figures

Aero-World: Action-Conditioned Aerial Video Generation from Inertial Controls

Aero-World: 从惯性控制生成动作条件的空中视频

Abdul Mohaimen Al Radi, Kunyang Li, Yuzhang Shang, Mubarak Shah, Yu Tian

机构 * Institute of Artificial Intelligence, University of Central Florida（中央佛罗里达大学人工智能研究所） 纠错

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

AI总结 本文提出Aero-World，一种将预训练图像到视频扩散模型转换为可控空中视频生成器的方法，通过注入加速度和角速度序列，利用冻结的物理探测器提供惯性一致性监督，从而提高生成视频对低级动作信号的符合度和时间稳定性。

A fast dynamo on the three-torus

三重 тор 上的快速 dynamo

Michele Coti Zelati, Massimo Sorella, David Villringer

专题命中 扩散模型 ：diffusion(abstract,comments)

AI总结 本文研究了三重 тор 上的动力学 dynamo 方程，通过构造一个均匀超双曲流，证明了在时间周期性、无散、Lipschitz 连续速度场下快速 dynamo 作用的严格性。

Comments 64 pages. Added sections 7 and 8 to treat diffusion in continuous time

Training-Free Bayesian Filtering with Generative Emulators

无需训练的贝叶斯过滤与生成模拟器

Thomas Savary, François Rozet, Gilles Louppe

机构 * SAIL, Montefiore institute, University of Liège, Belgium（SAIL、蒙费伊尔研究所、利耶大学、比利时） 纠错

专题命中 扩散模型 ：diffusion(abstract)

AI总结 本文提出一种无需额外训练的最优粒子滤波变种，利用基于扩散的动力学模拟器，解决了高维环境下粒子滤波的可扩展性问题，通过非线性混沌系统实验验证了其有效性。

Comments Accepted as a spotlight paper at the International Conference on Machine Learning 2026