图像生成

Fast-dDrive: Efficient Block-Diffusion VLM for Autonomous Driving

Fast-dDrive：面向自动驾驶的高效块扩散视觉语言模型

Kewei Zhang, Jin Wang, Sensen Gao, Chengyue Wu, Yulong Cao, Songyang Han, Boris Ivanovic, Langechuan Liu, Marco Pavone, Song Han, Daquan Zhou, Enze Xie

机构 * Peking University（北京大学） ； NVIDIA ； The University of Hong Kong（香港大学） ； MIT（麻省理工学院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出Fast-dDrive，一种块扩散视觉语言动作模型，通过语义单元内双向细化与跨单元因果约束，结合结构化令牌冻结、分段感知训练和推测解码，实现高保真轨迹规划与高效推理，在WOD-E2E和nuScenes上达到最优性能，推理速度提升12倍。

SURGE: Approximation and Training Free Particle Filter for Diffusion Surrogate

SURGE: 扩散替代模型的近似与免训练粒子滤波

Lifu Wei, Yinuo Ren, Naichen Shi, Yiping Lu

机构 * Department of Mechanical Engineering, Northwestern University, Evanston, IL, United States ； Institute for Computational \& Mathematical Engineering, Stanford University, Stanford, CA, United States ； Department of Industrial Engineering \& Management Sciences, Northwestern University, Evanston, IL, United States 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出一种基于扩散模型的无偏粒子滤波方法，通过序列蒙特卡洛对扩散轨迹进行重加权和重采样，融合观测数据与模型模拟，实现状态估计的连续校正。

Comments accepted by ICML 2026

Generative Neural Operators through Diffusion Last Layer

通过扩散最后一层的生成式神经算子

Sungwon Park, Anthony Zhou, Hongjoong Kim, Amir Barati Farimani

机构 * Korea University, Seoul, South Korea（韩国大学，首尔，韩国） ； Carnegie Mellon University, Pittsburgh, USA（卡内基梅隆大学，匹兹堡，美国） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出扩散最后一层（DLL）作为神经算子的概率输出头，通过Karhunen-Loéve展开和系数空间的条件扩散模型实现高效分布建模，在随机PDE基准和确定性长时滚动任务中提升了分布保真度和不确定性估计。

Comments ICML 2026, code is available at https://github.com/sungwpark/dll-no

Plan for Speed: Dilated Scheduling for Masked Diffusion Language Models

速度规划：用于掩码扩散语言模型的膨胀调度

Omer Luxembourg, Haim Permuter, Eliya Nachmani

机构 * School of Electrical and Computer Engineering, Ben-Gurion University of the Negev, Beersheba, Israel（电气与计算机工程学院，内盖夫本· Gurion大学，贝尔谢巴，以色列） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出膨胀解掩码调度器（DUS），通过将序列位置划分为非相邻的膨胀组并并行解掩码，最小化联合熵增益上界，在不修改去噪器的情况下实现高达5.8倍加速。

Comments Accepted at ICML 2026

A Closer Look on Memorization in Tabular Diffusion Model: A Data-Centric Perspective

表格扩散模型中记忆化的深入探究：以数据为中心的观点

Zhengyu Fang, Zhimeng Jiang, Huiyuan Chen, Xiaoge Zhang, Kaiyu Tang, Xiao Li, Jing Li

机构 * Department of Computer and Data Sciences（计算机与数据科学系） ； Case Western Reserve University（凯斯西储大学） ； Department of Computer Science & Engineering（计算机科学与工程系） ； Texas A&M University（德克萨斯大学） ； Department of Biochemistry（生物化学系） ； Center for RNA Science and Therapeutics（RNA科学与治疗中心） ； Department of Biomedical Engineering（生物医学工程系） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文首次从数据角度研究表格扩散模型中的记忆化动态，通过量化每个真实样本的记忆化程度，发现少数样本贡献了大部分泄露，并提出两阶段缓解方法DynamicCut。

Comments Published in Transactions on Machine Learning Research (TMLR), 2026

Blocked Gibbs meets Diffusion Transformers: Unsupervised Learning for Constraint Optimization

分块吉布斯采样遇上扩散Transformer：约束优化的无监督学习

Yudong W. Xu, Wenhao Li, Xiaoyu Wang, Scott Sanner, Elias B. Khalil

机构 * University of Toronto（多伦多大学） ； Vector Institute（向量研究所） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出分块吉布斯扩散Transformer（BloGDiT），通过分块高斯去噪替代标准联合高斯去噪，解决扩散模型在约束优化中变量子集大规模编辑的需求，在数独、图着色、最大独立集和MaxCut任务上匹配或超越现有方法。

Revisiting Pre-Propagation GNNs: Robust Diffusion Operators and Hidden-State Re-Propagation

重新审视预传播图神经网络：鲁棒扩散算子与隐状态再传播

Zichao Yue, Zhiru Zhang

机构 * School of Electrical and Computer Engineering, Cornell University, Ithaca, New York, USA（电气与计算机工程系，康奈尔大学，纽约州伊萨卡市） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出鲁棒图扩散算子和少量隐状态再传播方案，使预传播图神经网络在保持训练效率的同时匹配消息传递图神经网络的精度。

Dynamic Neural Koopman Distillation for Real-Time Robot Control Using Diffusion Models

动态神经Koopman蒸馏：基于扩散模型的实时机器人控制

Lei Zheng, Peiqi Yu, Zengqi Peng, Changliu Liu, Armin Lederer

机构 * Department of Electrical and Computer Engineering, National University of Singapore（国立新加坡大学电子与计算机工程系） ； Department of Electrical and Computer Engineering, Carnegie Mellon University（卡内基梅隆大学电子与计算机工程系） ； Robotics and Autonomous Systems Thrust, The Hong Kong University of Science and Technology（香港科学与技术大学机器人与自主系统方向） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出动态神经Koopman蒸馏框架，将多步扩散推理蒸馏为单步前向传递，通过因子化动态Koopman层保留多模态表达能力，在D4RL MuJoCo和物理机器人上实现毫秒级延迟的闭环控制。

Comments 8 pages, 5 figures

Optimus: Elastic Decoding for Efficient Diffusion LLM Serving

Optimus: 用于高效扩散LLM服务的弹性解码

Chiyue Wei, Cong Guo, Bowen Duan, Junyao Zhang, Haoxuan Shan, Yifei Wang, Yangjie Zhou, Hai "Helen" Li, Danyang Zhuo, Yiran Chen

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出Optimus系统，通过动态调整解码粒度（分块解码与饱和度感知调度）来平衡GPU利用率和令牌效率，实现扩散LLM的弹性解码，显著提升吞吐量并保持模型精度。

Cross-Domain Energy-Guided Diffusion Generation for Off-Dynamics Reinforcement Learning

跨域能量引导扩散生成用于动态偏移强化学习

Yu Yang, Yihong Guo, Anqi Liu, Pan Xu

机构 * Duke University（杜克大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出CEDGE框架，利用能量引导扩散模型生成目标域轨迹，解决动态偏移下离线强化学习的域适应问题。

Comments 29 pages, 3 figures, and 14 tables

The Path Matters: Learning a Token-Commitment Policy for Diffusion Language Models

路径很重要：学习扩散语言模型的令牌提交策略

Bohang Sun, Max Zhu, Francesco Caso, Jindong Gu, Junchi Yu, Philip Torr, Pietro Liò, Jialin Yu

机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Department of Engineering Science, University of Oxford（工程科学系，牛津大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出TraceLock，一种轻量级可插拔控制器，通过学习可复用的轨迹状态策略来优化扩散语言模型中的令牌提交决策，从而改善质量与步数之间的权衡。

Sum of Costs Diffusion with Dynamic Guidance for Motion Planning

运动规划的动态引导代价和扩散模型

Aysu Aylin Kaplan, Özgür Erkent

机构 * Computer Engineering Department, Hacettepe University（哈切特佩大学计算机工程系） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出一种基于扩散模型的高泛化运动规划方法，通过总碰撞代价梯度引导去噪过程并动态选择引导起始步，在Mπnets数据集上取得最优性能。

Comments Accepted at the Frontiers of Optimization for Robotics Workshop at the IEEE International Conference of Robotics & Automation (ICRA), 2026

Deep ZakaiJ: Structured Filtering for Jump-Diffusion Time Series Forecasting

Deep ZakaiJ：用于跳跃扩散时间序列预测的结构化滤波

Yan Leng, Thibaut Mastrolia, Hao Wang

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出Deep ZakaiJ模型，将Zakai非线性滤波方程嵌入神经编码器-解码器架构，通过Strang分裂实现隐状态信念更新，用于部分观测的跳跃扩散系统，在合成、金融和海洋数据集上改进了分布预测并保持点精度竞争力。

Reducing Diffusion Model Memorization with Higher Order Langevin Dynamics

使用高阶朗之万动力学减少扩散模型记忆化

Benjamin Sterling, Mónica F. Bugallo, Tom Tirer

机构 * Department of Applied Math & Statistics（应用数学与统计学系） ； Stony Brook University（石溪大学） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； Faculty of Engineering（工程学院） ； Bar-Ilan University（巴伊兰大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文研究高阶朗之万动力学（HOLD）对扩散模型记忆化的影响，通过理论分析表明HOLD通过低通滤波学习得分函数并随阶数增加平滑度，从而缓解记忆化，并在真实数据上验证了理论。

GeMPO: Generalized Measure Matching for Online Diffusion Reinforcement Learning

GeMPO：在线扩散强化学习的广义度量匹配

Haitong Ma, Chenxiao Gao, Tianyi Chen, Na Li, Bo Dai

机构 * Harvard University（哈佛大学） ； 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 提出GeMPO框架，通过将扩散RL中的重加权从softmax推广到一般单调函数，并引入负重加权机制，以解决过贪策略和负样本利用不足的问题。

Comments 22 pages, 6 figures

Experimental study of turbulent thermal diffusion of inertial particles in a convective turbulence forced by oscillating grids

振荡网格强迫对流湍流中惯性颗粒湍流热扩散的实验研究

E. Elmakies, O. Shildkrot, N. Kleeorin, A. Levy, I. Rogachevskii

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 通过振荡网格强迫对流湍流实验，研究惯性固体颗粒的湍流热扩散现象，发现有效漂移速度与理论预测一致，且惯性颗粒（直径10 μm）的漂移速度是非惯性颗粒（0.7 μm）的1.5-2.5倍。

Comments 16 pages, 16 figures, revised paper

SPA-Cache: Singular Proxies for Adaptive Caching in Diffusion Language Models

SPA-Cache: 扩散语言模型中的自适应缓存奇异代理

Wenhao Sun, Rong-Cheng Tu, Yifu Ding, Zhao Jin, Jingyi Liao, Yongcheng Jing, Dacheng Tao

机构 * College of Computing（计算学院） ； Data Science, Nanyang Technological University, Singapore, Singapore（数据科学，南洋理工大学，新加坡，新加坡） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 针对扩散语言模型因非因果特性无法使用标准KV缓存导致计算开销大的问题，提出SPA-Cache方法，通过低维奇异代理识别关键令牌并自适应分配缓存预算，实现高达8倍吞吐量提升和2-4倍加速。

Comments Accepted by ICML 2026.The code repository is available at https://github.com/wenhao728/spa-cache

Diffusion-based Frameworks for Unsupervised Speech Enhancement

基于扩散框架的无监督语音增强

Jean-Eudes Ayilo, Mostafa Sadeghi, Romain Serizel, Xavier Alameda-Pineda

机构 * Multispeech team, Université de Lorraine, CNRS, Inria, Loria（多语种团队，洛林大学，国家科学研究中心，法国国家信息与自动化研究所，Loria） ； RobotLearn team, Université Grenoble Alpes, Inria（机器人学习团队，格勒诺耶阿尔卑斯大学，法国国家信息与自动化研究所） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 本文提出一种无监督扩散框架，通过联合建模语音和噪声作为潜在变量，在E步中共同采样，并引入基于扩散的噪声模型，显著提升语音增强性能。

TUBE: Tangent Upper Bound on Evidence for Discrete Diffusion Language Models

TUBE: 离散扩散语言模型证据的切线上界

Arseny Ivanov, Sergei Kholkin, Vladislav Gromadskii, Grigoriy Ksenofontov, Ivan Oseledets, Alexander Korotin

机构 * Applied AI Institute（应用人工智能研究所） ； HSE University（俄罗斯高等经济学院） ； MIRAI 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 针对离散扩散模型无法精确计算对数似然的问题，提出变分上界TUBE，并通过无偏蒙特卡洛估计器评估，发现块状扩散模型和块状任意阶自回归模型的对数似然严格低于自回归模型基线。

Comments Preprint. 9 pages main text, 5 figures, plus appendix

New inverse problems for a time-switched system of wave and diffusion equations

时间切换波动与扩散系统的新反问题

E. T. Karimov, N. A. Murolimova

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 针对时间切换系统中分数阶波动方程与扩散方程耦合的新反问题，利用谱展开法和双参数Mittag-Leffler函数，推导了显式级数解并证明了唯一性和存在性。

Comments 16 pages, 1 figure

Extracting Training Data from Diffusion Language Models via Infilling

通过填充从扩散语言模型中提取训练数据

Yihan Wang, N. Asokan

机构 * University of Waterloo（滑铁卢大学） ； KTH Royal Institute of Technology（皇家理工学院） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出填充提取协议，利用扩散语言模型的双向去噪能力，通过任意二进制掩码参数化，揭示掩码几何形状控制提取能力，边缘条件掩码比前缀条件掩码多提取三倍逐字序列，且双向访问打开了自回归模型无法利用的通道。

Anisotropic Diffusion-Driven Ergodic Coverage in Multi-Robot Systems

多机器人系统中各向异性扩散驱动的遍历覆盖

Thales C. Silva, Anoop Kiran, Nora Ayanian

机构 * Department of Computer Science（计算机科学系） ； Brown University（布朗大学） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出一种基于Perona-Malik各向异性扩散的遍历搜索方法，通过非均匀误差传播生成势场，引导多机器人系统实现更灵活的遍历覆盖。

Generative Representation Learning on Hyper-relational Knowledge Graphs via Masked Discrete Diffusion

超关系知识图谱上的生成式表示学习：基于掩码离散扩散

Jaejun Lee, Seheon Kim, Joyce Jiyoung Whang

机构 * School of Computing（计算学院） ； Department of AI Computing, KAIST, Daejeon, South Korea（人工智能计算系，韩国科学技术院，大田，韩国） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 针对超关系知识图谱中任意掩码查询的补全与事实生成任务，提出基于掩码离散扩散的生成式表示学习方法KREPE，统一链接预测与事实生成，性能达到最优。

Comments 28 pages, 16 figures, 18 tables, 43rd International Conference on Machine Learning (ICML 2026)

Improving Ensemble CAPE Forecasts with a Diffusion Model Incorporating Aerosol Information

利用包含气溶胶信息的扩散模型改进集合CAPE预报

Zachary James, Joseph Guinness, Arthur DeGaetano

机构 * Cornell University, Department of Statistics and Data Science（康奈尔大学统计与数据科学系） ； Washington University in St. Louis, Department of Statistics and Data Science（圣路易斯华盛顿大学统计与数据科学系） ； Cornell University, Department of Earth and Atmospheric Sciences（康奈尔大学地球与大气科学系） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 针对GFS/GEFS系统夏季CAPE低估偏差，提出两阶段训练的AI扩散模型，通过输入GFS预报并输出集合，显著提升RMSE、CRPS和Brier评分，并引入气溶胶光学厚度作为额外特征以改善预报。

Effects of Divalent Cations on Diffusion Dynamics of Biological Water Confined between Lipid Membranes

二价阳离子对脂质膜间生物水扩散动力学的影响

Minho Lee, Jinwon Park, Ji-Hyun Kim, Minhaeng Cho, Jaeyoung Sung

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 通过分子动力学模拟和广义输运方程，研究了钙离子和镁离子浓度对脂质膜间纳米受限水分子扩散动力学的影响，发现Ca2+单调增加而Mg2+非单调改变扩散系数，归因于不同水合半径及界面结构动力学差异。

ECMSim: A high-performance interactive web application for real-time spatiotemporal simulation of cardiac ECM signaling and diffusion

ECMSim: 用于心脏ECM信号传导与扩散实时时空模拟的高性能交互式Web应用

Hasi Hays, William J. Richardson

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出ECMSim，一种基于WebAssembly的高性能交互式Web应用，通过求解137万个耦合常微分方程实时模拟心脏成纤维细胞信号网络驱动的细胞外基质重塑。

Fine-Tuning Masked Diffusion for Provable Self-Correction

微调掩码扩散以实现可证明的自校正

Jaeyeon Kim, Seunggeun Kim, Taekyun Lee, David Z. Pan, Hyeji Kim, Sham Kakade, Sitan Chen

机构 * Harvard University（哈佛大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Kempner Institute（凯姆纳研究所） 纠错

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出PRISM方法，通过轻量级模型无关的重新掩码策略，在掩码扩散模型中实现可证明的自校正，无需强化学习或验证器，提升低质量令牌检测与修正能力。

Comments Authorship statement: Jaeyeon Kim and Seunggeun Kim contributed equally, and Taekyun Lee is also a co first author

How the cascade inference problem distorts information diffusion

级联推断问题如何扭曲信息传播

Matthew R. DeVerna, Francesco Pierri, Rachith Aiyappa, Diogo Pacheco, John Bryden, Filippo Menczer

专题命中 扩散模型 ：diffusion(title,abstract)

AI总结 提出一种新的参数化重构方法，研究级联推断如何扭曲社会影响力、社区检测和信息传播分析，并通过Twitter和Bluesky数据案例揭示其对下游分析的显著影响。

AdvantageFlow: Advantage-Weighted Least Squares for RL in Flow Models

AdvantageFlow: 流模型中基于优势加权的强化学习最小二乘法

Branislav Kveton, Anup Rao, Subhojyoti Mukherjee, Krishna Kumar Singh, Viet Dac Lai

机构 * Adobe Research（Adobe研究） 纠错

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

AI总结 提出AdvantageFlow算法，通过优势加权前向过程预测损失和 rollout 策略正则化，在图像生成任务中优于Flow-GRPO和负感知微调基线。

Asymmetric Flow Models

非对称流模型

Hansheng Chen, Jan Ackermann, Minseo Kim, Gordon Wetzstein, Leonidas Guibas

机构 * Stanford University（斯坦福大学） 纠错

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

AI总结 提出非对称流建模（AsymFlow），通过秩非对称速度参数化将噪声预测限制在低秩子空间，同时保持数据预测全维，从而在高维空间中实现高效的流生成，在ImageNet 256×256上取得领先的1.57 FID，并首次提供将预训练潜在流模型微调为像素空间模型的途径。

Comments Code: https://github.com/Lakonik/LakonLab Webpage: https://hanshengchen.com/asymflow