图像生成

FSampler: Training Free Acceleration of Diffusion Sampling via Epsilon Extrapolation

FSampler: 通过epsilon外推实现无需训练的扩散采样加速

Michael A. Vladimir

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

AI总结 FSampler通过epsilon外推减少模型调用和采样时间，提升扩散采样效率。

Comments 10 pages; diffusion models; accelerated sampling; ODE solvers; epsilon extrapolation; training free inference

OPSD-V: On-Policy Self-Distillation for Post-Training Few-Step Autoregressive Video Generators

OPSD-V：用于训练后少步自回归视频生成器的策略内自蒸馏

Hongyu Liu, Chun Wang, Feng Gao, Xuanhua He, Yue Ma, Ziyu Wan, Yong Zhang, Xiaoming Wei, Qifeng Chen

机构 * Meituan（美团） ； HKUST（香港科技大学） ； City University of Hong Kong（香港城市大学） 纠错

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

AI总结 研究针对训练后少步自回归视频生成器存在的问题，提出OPSD-V策略内自蒸馏范式。通过引入真实长视频数据提供监督，学生和教师模型按特定方式运行，应用该范式于相关模型后，实验及用户研究表明其在多方面有改进且更受青睐。

Comments Project page: https://meigen-ai.github.io/OPSD-V ; Code: https://github.com/MeiGen-AI/OPSD-V

SAGA: Stable Acceleration Guidance for Autoregressive Video Generation

SAGA：自回归视频生成的稳定加速引导

Thanh-Nhan Vo, Trong-Thuan Nguyen, Trung-Hoang Le, Tam V. Nguyen, Minh-Triet Tran

机构 * University of Science, VNU-HCM（越南胡志明市国家大学） ； Vietnam National University（越南国家大学） ； University of Dayton（Dayton 大学） 纠错

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

AI总结 研究自回归视频生成中因重复使用潜在变量致时间误差问题，提出SAGA方法，它整合加速域频谱引导目标与初始化策略，无需训练可直接用于现有模型，能提升时间质量、减少时间不稳定性并保持视觉保真度。

Force convergence in Monte Carlo Lyman-alpha radiative transfer

蒙特卡罗莱曼阿尔法辐射传输中的力收敛

Joshua Kasiri, Aaron Smith, Kevin Lorinc, Olof Nebrin, Kazutaka Kimura

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 研究蒙特卡罗莱曼阿尔法辐射传输中力收敛问题，通过建立基准、开发基于矩的框架，应用于多种估计器，从不同阶次评估收敛性，为内部力计算提供实用框架，表明需分别评估统计精度、计算成本和物理准确性。

Comments 22 pages, 15 figures. Comments welcomed

Safe Flow Q-Learning: Offline Safe Reinforcement Learning with Reachability-Based Flow Policies

安全流Q学习：基于可达性的安全离线强化学习流策略

Mumuksh Tayal, Manan Tayal, Ravi Prakash

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出Safe Flow Q-Learning，结合达性启发的安全价值函数和高效的一步流策略，通过自一致性Bellman递归学习安全价值，行为克隆训练流策略并转化为奖励最大化安全动作选择器，减少部署时的拒绝采样，提升实时安全应用性能。

Comments 21 pages, 6 figures, 3 tables; First 2 authors have contributed equally; Paper accepted at Reinforcement Learning Conference (RLC) 2026

SeFA-Policy: Fast and Accurate Visuomotor Policy Learning with Selective Flow Alignment

SeFA策略：基于选择性流对齐的快速准确视觉运动策略学习

Rong Xue, Jiageng Mao, Mingtong Zhang, Yue Wang

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 针对机器人模仿学习中视觉运动策略学习难题，提出SeFA框架，用选择性流对齐策略，借助专家示范纠正动作，统一整流流效率与观测一致动作生成，实验显示其超越现有策略，准确性、鲁棒性高且推理延迟大幅降低。

TOM: An Open-Source Tongue Segmentation Method with Multi-Teacher Distillation and Task-Specific Data Augmentation

TOM：一种基于多教师知识蒸馏和任务特定数据增强的开源舌象分割方法

Jiacheng Xie, Ziyang Zhang, Biplab Poudel, Congyu Guo, Yang Yu, Guanghui An, Xiaoting Tang, Lening Zhao, Chunhui Xu, Dong Xu

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出TOM模型，通过多教师知识蒸馏和任务特定数据增强实现高效舌象分割，并提供开源工具和案例研究，提升中医诊断性能。

Comments Tongue segmentation, data augmentation, synthetic data for AI training, prompt engineering, Segment Anything Model, knowledge distillation, tongue classification