图像生成

Efficient One-Step Diffusion Restoration Model with Compact Token Compression and Linear Attention

高效的一步扩散修复模型：紧凑令牌压缩与线性注意力

Bingtian Qiao, Yue Shi, Yingjie Zhou, Yong Guo, Guangtao Zhai, Jiezhang Cao

机构 * Shanghai Jiao Tong University（上海交通大学） ； Fuzhou University（福州市大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 针对真实图像超分辨率中计算和内存成本随分辨率增长的问题，提出SANA-SR框架，通过32倍压缩自编码器和线性注意力DiT实现高效一步修复，在保持高质量的同时显著降低计算开销。

GenEvolve: Self-Evolving Image Generation Agents via Tool-Orchestrated Visual Experience Distillation

GenEvolve: 通过工具编排的视觉经验蒸馏实现自我进化的图像生成智能体

Sixiang Chen, Zhaohu Xing, Tian Ye, Xinyu Geng, Yunlong Lin, Jianyu Lai, Xuanhua He, Fuxiang Zhai, Jialin Gao, Lei Zhu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Meituan（美团） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 提出GenEvolve框架，通过工具编排的视觉经验蒸馏，使图像生成智能体在多样化任务中自我进化，提升工具使用和生成质量。

Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models

Precise: 用于流匹配模型强化学习后训练的SDE一致随机采样

Jade Zou, Tao Huang, Weijie Kong, Junzhe Li, Yue Wu, Qi Tian, Jiangfeng Xiong, Jianwei Zhang, Liefeng Bo, Zhao Zhong

机构 * Peking University（北京大学） ； Tencent Hunyuan（腾讯文言） 纠错

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

AI总结 针对流匹配模型强化学习后训练中的随机采样问题，提出Precise采样器，通过平衡探索与稳定性的SDE调度和冻结干净潜变量后验均值的近似方法，实现SDE一致性，显著提升奖励优化速度和稳定性。

DFSAttn: Dynamic Fine-grained Sparse Attention for Efficient Video Generation

DFSAttn：面向高效视频生成的动态细粒度稀疏注意力

Jie Hu, Zixiang Gao, Yutong He, Kun Yuan

机构 * Peking University（北京大学） 纠错

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

AI总结 针对扩散变换器中注意力二次复杂度导致计算成本高的问题，提出一种无需训练的稀疏注意力框架DFSAttn，通过希尔伯特曲线重排序、分层块评分和稀疏掩码缓存实现动态细粒度稀疏化，在保持生成质量的同时实现高达2.1倍端到端加速。

Comments ICML 2026; 17 pages, 8 figures;

Drift-React: One-step Generation of Reaction Pathways via SE(3) Drifting Fields

Drift-React: 通过 SE(3) 漂移场一步生成反应路径

Rémi Schlama, Philippe Schwaller

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出 SE(3) 等变生成框架 Drift-React，通过 Sinkhorn 加权漂移场从反应物和产物几何结构一步预测完整反应路径，无需迭代力评估或 ODE/SDE 积分，在 Transition1x 和 Halo8 数据集上生成物理一致的 MEP，并实现亚埃级 TS 预测精度与数量级加速。