图像生成

Null-Space Diffusion Distillation Unlocks Speed, Fidelity and Realism in Lensless Imaging

零空间扩散蒸馏解锁无透镜成像的速度、保真度和真实感

Jose Reinaldo Cunha Santos A V Silva Neto, Hodaka Kawachi, Yasushi Yagi, Tomoya Nakamura

机构 * D3 Center, The University of Osaka（大阪大学D3中心） ； The University of Osaka（大阪大学） ； SANKEN, The University of Osaka（SANKEN与大阪大学） ； Grad. Sch. of Eng. Sci., The University of Osaka（大阪大学工科科学院） 纠错

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

AI总结 提出零空间扩散蒸馏（NSDD），通过将结构化扩散先验蒸馏为前馈网络，实现单次高质量重建，兼顾测量一致性、感知质量和推理速度。

Comments 10 pages without references, 5 figures, 5 tables (supplementary materials not included)

FlowCodec: One-Step Flow Prior for Generative Image Compression

FlowCodec: 用于生成式图像压缩的一步流先验

Yinhuan Huang, Hao Cao, Pu chen, Wenqi Guo, Zhijin Qin

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 提出FlowCodec框架，将预训练的大规模文本到图像先验嵌入超低比特率编解码器，通过解耦的潜在压缩和单步潜在传输实现高质量压缩，无需额外条件信号或辅助网络。

Keep The Essentials: Efficient Reference Conditioned Generation via Token Dropping

保留精华：通过令牌丢弃实现高效的参考条件生成

Rishubh Parihar, Ayush Raina, R. Venkatesh Babu, Or Patashnik

机构 * IISc Bangalore（印度科学研究所班加罗尔分校） ； Tel Aviv University（特拉维夫大学） 纠错

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

AI总结 提出Sparse Context方法，通过丢弃大部分参考令牌并微调模型，实现参考条件生成中4倍（多参考）和2倍（单参考）的推理加速，且不降低视觉质量。

Comments Project Page: https://sparsecontext.github.io

BayesFP: Posterior Estimation for Flow-Based Policies via Feynman-Kac Sampling

BayesFP: 基于Feynman-Kac采样的流策略后验估计

Sreevardhan Sirigiri, Weiming Zhi, Fabio Ramos

机构 * School of Computer Science, The University of Sydney（悉尼大学计算机科学学院） ； Australian Centre For Robotics, The University of Sydney（悉尼大学澳大利亚机器人中心） ； College of Connected Computing, Vanderbilt University（范德堡大学互联计算学院） ； NVIDIA（英伟达） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract,abstract_cn)

AI总结 提出BayesFP框架，将预训练扩散/流匹配策略的约束轨迹生成视为贝叶斯后验采样，利用Feynman-Kac校正器实现无需重训练的推理时采样，在模拟和真实操作任务中提升零样本性能。

BAC-JEPA: Label-Efficient Breast Arterial Calcification Segmentation via Synthetic Mammography-Guided Supervision

BAC-JEPA: 通过合成乳腺X线摄影引导的标签高效乳腺动脉钙化分割

Scott Chase Waggener, Lakshman Tamil

机构 * Department of Computer Engineering University of Texas at Dallas Richardson, TX（计算机工程系） 纠错

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

AI总结 提出BAC-JEPA框架，利用合成动脉钙化图像和自监督视觉Transformer，实现无需像素级人工标注的乳腺动脉钙化分割，在BacSeg数据集上达到AUROC 0.8719。

CoDMD: Copula-aware Distribution Matching Distillation for Fast Video Generation

CoDMD: 基于Copula感知的分布匹配蒸馏用于快速视频生成

Wenhu Zhang, Kun Cheng, Changyuan Wang, Shiyao Li, Yuechen Zhang, Wenbo Li, Jiajun Zha, Jingyi Zhang, Kang Zhao, Jiaya Jia

机构 * HKUST（香港科技大学） ； Wan Team, Alibaba Group（阿里巴巴集团万团队） ； THU（清华大学） ； CUHK（香港中文大学） ； XDU（西安电子科技大学） 纠错

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

AI总结 针对视频扩散模型少步蒸馏中分布匹配蒸馏（DMD）的结构缺陷，提出Copula感知的DMD（CoDMD），通过轻量关系正则化器利用分数估计构建样本间和帧间关系矩阵，实现4步生成，速度提升约25倍，VBench得分达84.87。

Structural Assessment for Understanding and Guiding Dataset Distillation in Discrete Token Space

结构评估用于理解和指导离散令牌空间中的数据集蒸馏

Yue Cao, Jianyang Gu, Vyacheslav Kungurtsev, Yu Hu, Jozsef Hamari, Zheng Liu, Mohsen Zardadi

机构 * The University of British Columbia（不列颠哥伦比亚大学） ； The Ohio State University（俄亥俄州立大学） ； Czech Technical University in Prague（布拉格捷克理工大学） ； TerraSense Analytics（TerraSense Analytics公司） 纠错

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

AI总结 本文通过离散视觉分词器分析令牌组成结构，提出结构评分衡量令牌组合充分性，发现平衡的令牌组成提升蒸馏数据集性能，并指导扩散模型的数据集蒸馏。

Comments Accepted to ECCV 2026

Jacobian-Aware Posterior Sampling for Inverse Problems

Jacobian-Aware 后验采样用于逆问题

Liav Hen, Tom Tirer, Raja Giryes, Shady Abu-Hussein

机构 * Tel Aviv University, Israel（特拉维夫大学，以色列） ； Bar-Ilan University, Israel（巴伊兰大学，以色列） ； University of Cambridge, UK（剑桥大学，英国） 纠错

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

AI总结 提出 Jacobian-Aware 后验采样器 (JAPS)，通过结合扩散去噪器的 Jacobian 先验与近端解，在无额外计算成本下提升逆问题重建质量。

Comments Accepted by TMLR 2026; Code at https://github.com/liavhen/JAPS

Flow Annealing Posterior Sampling for Function-Space Regression and Inverse Problems

流退火后验采样用于函数空间回归与逆问题

Yaozhong Shi, Zachary E. Ross, Yisong Yue

机构 * California Institute of Technology（加州理工学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出流退火后验采样（FAPS），首个统一随机过程回归与PDE逆问题的函数空间后验采样框架，利用预训练函数空间流匹配先验，通过低秩协方差预条件器的朗之万校正实现稀疏噪声观测下的似然引导后验推断。

Efficient Algorithms for Influence Maximization in General Models and Observed Cascades

通用模型和观测级联中影响力最大化的高效算法

Fabian Spaeh, Themistoklis Haris, Alina Ene, Huy L. Nguyen

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出低自适应优化框架和自适应算法，首次实现观测级联上近线性时间可证明保证，并改进独立级联模型样本复杂度。

The FAST Framework: Developing a Data-Efficient Machine Learning Potential to Decode Superionic Transition-Induced Thermophysical and Kinetic Anomalies in UO2 under Extreme Conditions

FAST框架：开发数据高效的机器学习势以解码极端条件下UO2中超离子转变诱导的热物理和动力学异常

Fengnian Zhuang, Gaosheng Yan, Hong Chen, Yi Zhang, Wenshan Yu, Minglong Xu, Shengping Shen

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出FAST框架，通过主动学习和超离子目标采样构建仅500个构型的数据集，微调基础模型得到UO2的机器学习势，准确预测超离子转变引起的热物理和动力学异常，并揭示其微观机制。

Comments 51 pages,14 figures

Few-step Cofolding with All-Atom Flow Maps

少步全原子流图共折叠

Gianluca Scarpellini, Ron Shprints, Peter Holderrieth, Juno Nam, Pranav Murugan, Rafael Gómez-Bombarelli, Tommi Jaakkola, Maruan Al-Shedivat, Nicholas Matthew Boffi, Avishek Joey Bose

机构 * Genesis Molecular AI ； Massachusetts Institute of Technology（麻省理工学院） ； Carnegie Mellon University（卡内基梅隆大学） ； Imperial College London（伦敦帝国学院） ； Mila 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 提出DeCAF框架，将全原子共折叠扩散模型蒸馏为流图，仅需几步推理即可生成高质量样本，并通过奖励引导搜索提升采样质量。

Ballistic Surfing Acceleration as a Coherent Mechanism for Electron Acceleration in Galaxy Cluster Shocks

弹道冲浪加速作为星系团激波中电子加速的相干机制

Ji-Hoon Ha, Krzysztof Stasiewicz

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 针对星系团激波中电子加速效率低的问题，提出弹道冲浪加速（BSA）作为替代机制，推导平衡方程并模拟辐射，解释“香肠”和“牙刷”射电遗迹的观测特征。

Comments 10 pages, 3 figures, Accepted for publication in MNRAS