图像生成

Inverting Data Transformations via Diffusion Sampling

通过扩散采样逆变换数据变换

Jinwoo Kim, Sékou-Oumar Kaba, Jiyun Park, Seunghoon Hong, Siamak Ravanbakhsh

机构 * Mila - Quebec Artificial Intelligence Institute, Montr\'eal, Canada ； School of Computer Science, McGill University, Montr\'eal, Canada 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 提出一种在一般李群上通过扩散采样逆变换未知变换的方法，用于恢复原始数据分布，并在测试时等变性应用中提升预训练神经网络的鲁棒性。

Comments 31 pages, 11 figures

Boundary-Guided Policy Optimization for Memory-efficient RL of Diffusion Large Language Models

边界引导策略优化：面向扩散大语言模型的内存高效强化学习

Nianyi Lin, Jiajie Zhang, Lei Hou, Juanzi Li

机构 * Tsinghua University（清华大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 针对扩散大语言模型中似然函数难以处理导致强化学习内存开销大的问题，提出边界引导策略优化（BGPO），通过构造满足线性和等价性的下界实现内存高效训练，在数学求解、代码生成和规划任务中显著优于现有方法。

GDSD: Reinforcement Learning as Guided Denoiser Self-Distillation for Diffusion Language Models

GDSD：强化学习作为扩散语言模型的引导去噪器自蒸馏

Xiaohang Tang, Keyue Jiang, Che Liu, Qifang Zhao, Xiaoxiao Xu, Sangwoong Yoon, Ilija Bogunovic

机构 * UCL Dept. of Statistical Science（伦敦大学学院统计科学系） ； UCL Centre for AI（伦敦大学学院人工智能中心） ； Alibaba Group（阿里巴巴集团） ； Dept. of EEE（电子工程系） ； Imperial College London（伦敦帝国理工学院） ； UNIST（全南大学） ； University of Basel（巴塞尔大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 提出引导去噪器自蒸馏（GDSD）方法，通过从逆KL正则化强化学习的闭式最优解中导出的优势引导自教师直接蒸馏扩散语言模型的去噪器，避免了ELBO似然代理带来的训练-推理不匹配偏差，在规划、数学和代码基准上显著优于现有方法。

Comments Preprint

SA-Kura: An Energy-Efficient Systolic Array Accelerator for Locally-Coupled Kuramoto Drift in Diffusion Sampling

SA-Kura: 用于扩散采样中局部耦合Kuramoto漂移的节能脉动阵列加速器

Jeongmin Jin, Kyeongwon Lee, Mundo Jeong, Jongin Choi, Woojoo Lee

机构 * National Research Foundation of Korea（韩国国家研究基金会） ； Institute of Information & communications Technology Planning & Evaluation（信息通信技术规划与评估院） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 针对扩散采样中局部耦合Kuramoto漂移的计算瓶颈，提出首个专用数字脉动阵列加速器SA-Kura，通过重新公式化耦合计算实现高效脉动执行，相比软件和GPU分别实现193倍和6.57倍加速。

Comments 8 pages, 6 figures, 1 table; ACM/IEEE ISLPED 2026 accepted paper

TIDE: Efficient and Lossless MoE Diffusion LLM Inference with I/O-aware Expert Offload

TIDE: 一种高效且无损的MoE扩散大语言模型推理方法

Zhiben Chen, Youpeng Zhao, Yang Sui, Jun Wang, Yuzhang Shang

机构 * University of Central Florida（中央佛罗里达大学） ； Rice University（Rice大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出TIDE，一种基于扩散过程块内专家激活时间稳定性的新推理系统，通过引入基于区间的专家刷新策略，优化I/O和CPU计算，实现无损加速，提升推理效率。

ECHO: Efficient Chest X-ray Report Generation with One-step Block Diffusion

ECHO: 通过一步块扩散实现高效的胸部X光报告生成

Lifeng Chen, Tianqi You, Hao Liu, Zhimin Bao, Jile Jiao, Xiao Han, Zhicai Ou, Tao Sun, Xiaofeng Mou, Xiaojie Jin, Yi Xu

机构 * Beijing Jiaotong University（北京交通大学） ； Dalian University of Technology（大连理工大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出ECHO，一种基于扩散模型的高效视觉-语言模型，用于生成胸部X光报告，通过一步块扩散和响应不对称扩散策略，显著提高了生成效率和文本连贯性，同时在临床准确性上保持良好表现。

Infinite Mask Diffusion for Few-Step Distillation

无限掩码扩散用于少步蒸馏

Jaehoon Yoo, Wonjung Kim, Chanhyuk Lee, Seunghoon Hong

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出无限掩码扩散模型，通过引入随机无限状态掩码降低因子化误差下限，解决了传统掩码扩散模型在少步生成中的性能问题，并在LM1B和OpenWebText上超越现有少步蒸馏方法。

TAD: Temporal-Aware Trajectory Self-Distillation for Fast and Accurate Diffusion LLM

TAD: 时空感知轨迹自蒸馏用于快速准确的扩散大语言模型

Haoyang Zhou, Li Kong, Shijie Ren, Xiting Wang, Shuang Liang, Guowei Wang, Zhenxuan Pan

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院） ； Ant Group（蚂蚁集团） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 TAD通过时空感知轨迹自蒸馏方法，在提升生成速度的同时保持准确性，实验表明在LLaDA上质量模型将平均准确率提升至51.6%，速度模型将AUP提升至257.1。

Efficient-DLM: From Autoregressive to Diffusion Language Models, and Beyond in Speed

Efficient-DLM：从自回归到扩散语言模型，以及速度上的突破

Yonggan Fu, Lexington Whalen, Zhifan Ye, Xin Dong, Shizhe Diao, Jingyu Liu, Chengyue Wu, Hao Zhang, Enze Xie, Song Han, Maksim Khadkevich, Jan Kautz, Yingyan Celine Lin, Pavlo Molchanov

机构 * Georgia Tech（佐治亚理工学院） ； University of Chicago（芝加哥大学） ； University of Hong Kong（香港大学） ； MIT（麻省理工学院） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出Efficient-DLM方法，通过改进自回归到扩散语言模型的转换，提升生成速度并保持任务准确性，实验显示其在精度和效率上优于现有模型。

Saber: An Efficient Sampling with Adaptive Acceleration and Backtracking Enhanced Remasking for Diffusion Language Model

Saber: 一种高效的采样方法，具有自适应加速和回溯增强的重新遮蔽，用于扩散语言模型

Yihong Dong, Zhaoyu Ma, Xue Jiang, Zhiyuan Fan, Jiaru Qian, Yongmin Li, Jianha Xiao, Zhi Jin, Rongyu Cao, Binhua Li, Fei Huang, Yongbin Li, Ge Li

机构 * School of Computer Science, Peking University（北京大学计算机科学系） ； Tongyi Lab, Alibaba Group（阿里云实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出Saber算法，通过动态调整每步未遮蔽令牌数量和回溯机制提升代码生成的推理速度和输出质量，实验显示在多个基准上Pass@1准确率提升1.9%，推理速度提升251.4%。

Comments Accepted to ACL 2026 (main)

On the Quantization Robustness of Diffusion Language Models in Coding Benchmarks

扩散语言模型在编码基准中的量化鲁棒性研究

Aarav Gupta, Gururaj Deshpande, Chandreyi Chakraborty

机构 * College of Computing（计算机学院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文研究了扩散语言模型在量化后的鲁棒性，发现CoDA在低比特宽度下比Qwen3-1.7B更稳健，且混合精度配置在精度、延迟和内存间提供平衡。

DepCap: Adaptive Block-Wise Parallel Decoding for Efficient Diffusion LM Inference

DepCap：适应性分块并行解码用于高效扩散语言模型推理

Xiang Xia, Wuyang Zhang, Jiazheng Liu, Cheng Yan, Yanyong Zhang

机构 * University of Science and Technology of China（中国科学技术大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出DepCap框架，通过自适应分块解码提升扩散语言模型推理效率，实现生成质量与速度的平衡，实验表明在多个模型和任务中达到显著加速效果。

Query Lower Bounds for Diffusion Sampling

扩散采样中的查询下界

Zhiyang Xun, Eric Price

机构 * UT Austin（德克萨斯大学奥斯汀分校） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文研究了扩散采样中查询次数的下限，证明了在多维分布下，任何采样算法需要至少O(√d)次适应性查询，解释了多尺度噪声调度的必要性。

Diffusion-Based Generative Priors for Efficient Beam Alignment in Directional Networks

基于扩散模型的生成先验用于方向网络中高效波束对齐

Esraa Fahmy Othman, Lina Bariah, Merouane Debbah

机构 * Research Institute for Digital Future（数字未来研究所） ； Khalifa University（哈利法大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出基于扩散模型的生成先验方法，用于方向网络中高效波束对齐，通过学习概率波束先验提升波束扫描的准确性和效率，实验显示在小k值下命中率显著提高，降低训练开销。

FS-DFM: Fast and Accurate Long Text Generation with Few-Step Diffusion Language Models

FS-DFM: 一种快速且准确的长文本生成方法：基于少步扩散语言模型

Amin Karimi Monsefi, Nikhil Bhendawade, Manuel Rafael Ciosici, Dominic Culver, Yizhe Zhang, Irina Belousova

机构 * The Ohio State University（俄亥俄州立大学） ； Apple（苹果公司） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 FS-DFM通过减少采样步骤数提升生成速度，同时保持生成质量，在语言模型基准测试中实现与传统扩散模型相当的性能，显著降低采样延迟和吞吐量。

Comments Accepted to ICLR 2026

Fast-dVLM: Efficient Block-Diffusion VLM via Direct Conversion from Autoregressive VLM

Fast-dVLM: 通过直接转换自回归VLM实现高效的块扩散VLM

Chengyue Wu, Shiyi Lan, Yonggan Fu, Sensen Gao, Jin Wang, Jincheng Yu, Jose M. Alvarez, Pavlo Molchanov, Ping Luo, Song Han, Ligeng Zhu, Enze Xie

机构 * The University of Hong Kong（香港大学） ； NVIDIA（英伟达） ； MIT（麻省理工学院） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出Fast-dVLM，通过直接转换自回归VLM实现高效的块扩散VLM，采用KV-cache兼容并行解码和推测块解码，提升推理效率。实验表明其生成质量与自回归模型相当，且通过SGLang和FP8量化实现6倍以上的推理加速。

FastDiSS: Few-step Match Many-step Diffusion Language Model on Sequence-to-Sequence Generation--Full Version

FastDiSS: 少步匹配多步扩散语言模型在序列到序列生成中的应用——完整版本

Dat Nguyen-Cong, Tung Kieu, Hoang Thanh-Tung

机构 * FPT Software AI Center, FPT Corporation（FPT软件人工智能中心，FPT公司） ； Department of Computer Science, Aalborg University（奥尔堡大学计算机科学系） ； Quantum AI and Cyber Security Institute, FPT Corporation（FPT公司量子人工智能与网络安全研究所） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出FastDiSS模型，通过改进自条件机制和引入噪声感知机制，提升少步采样下的生成质量，并实现400倍更快的推理速度。

Comments camera-ready version, accepted by ACL Findings (ACL 2026)

Distributional Statistics Restore Training Data Auditability in One-step Distilled Diffusion Models

分布统计恢复一步蒸馏扩散模型中的训练数据可审计性

Muxing Li, Zesheng Ye, Sharon Li, Andy Song, Guangquan Zhang, Feng Liu

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文研究了一步蒸馏扩散模型中训练数据可审计性问题，提出基于分布统计的检测方法，通过核分布差异判断候选数据集是否与教师训练数据一致，验证了分布层面审计的有效性。

Value Gradient Sampler: Learning Invariant Value Functions for Equivariant Diffusion Sampling

价值梯度采样器：用于等变扩散采样的不变价值函数

Himchan Hwang, Hyeokju Jeong, Dong Kyu Shin, Che-Sang Park, Sehee Kweon, Sangwoong Yoon, Frank Chongwoo Park

机构 * Seoul National University（首尔大学） ； Ulsan National Institute of Science and Technology (UNIST)（蔚山科学技术院） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出价值梯度采样器（VGS），通过价值函数参数化扩散采样器，利用等变梯度流在无规范目标密度下生成样本，结合先进强化学习方法与高效不变网络，实现高质量与高速采样。

Comments AISTATS 2026. Code: https://github.com/swyoon/value-gradient-sampler/

FODMP: Fast One-Step Diffusion of Movement Primitives Generation for Time-Dependent Robot Actions

FODMP：快速一步扩散运动原形生成用于时间依赖机器人动作

Xirui Shi, Arya Ebrahimi, Yi Hu, Jun Jin

机构 * University of Alberta（阿尔伯塔大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 FODMP通过单步解码器生成时间结构化运动，提升机器人实时控制性能，速度比MPD快10倍，能拦截快速飞来的球。

Confidence-Based Decoding is Provably Efficient for Diffusion Language Models

基于置信度的解码在扩散语言模型中具有可证明的效率

Changxiao Cai, Gen Li

机构 * Department of Industrial and Operations Engineering, University of Michigan（工业与运营工程系，密歇根大学） ； Department of Statistics and Data Science, The Chinese University of Hong Kong（统计与数据科学系，香港中文大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出了一种基于熵和的解码策略，证明其在KL散度下具有ε精度，并在迭代次数上达到O(H(X0)/ε)的效率，适用于低熵数据分布。

Adaptive Diffusion Posterior Sampling for Data and Model Fusion of Complex Nonlinear Dynamical Systems

自适应扩散后向采样用于复杂非线性动力系统的数据与模型融合

Dibyajyoti Chakraborty, Hojin Kim, Romit Maulik

机构 * College of Information Sciences and Technology, Pennsylvania State University（宾夕法尼亚州立大学信息科学与技术学院） ； School of Mechanical Engineering, Purdue University（普渡大学机械工程学院） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出一种基于生成机器学习的替代模型，利用深度学习扩散模型进行长周期湍流预测，通过多步自回归扩散目标提升稳定性，并结合多尺度图变压器架构处理复杂几何，实现传感器优化布置与数据同化。

Ultra-Fast Language Generation via Discrete Diffusion Divergence Instruct

通过离散扩散发散指导实现超快语言生成

Haoyang Zheng, Xinyang Liu, Cindy Xiangrui Kong, Nan Jiang, Zheyuan Hu, Weijian Luo, Wei Deng, Guang Lin

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 DiDi-Instruct通过离散扩散发散指导实现高效语言生成，提供高达64倍的加速，同时保持高质量输出。

Comments [ICLR 2026] 38 pages, 7 figures, 13 tables

Decoupled Diffusion Sampling for Inverse Problems on Function Spaces

解耦扩散采样用于函数空间上的逆问题

Thomas Y. L. Lin, Jiachen Yao, Lufang Chiang, Julius Berner, Anima Anandkumar

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出了解耦扩散逆求解器（DDIS），通过解耦设计提升数据效率和物理感知学习，实现稀疏观测下的高性能逆问题求解。

Comments Accepted to ICLR AI&PDE Workshop (Oral)

One-Step Diffusion Samplers via Self-Distillation and Deterministic Flow

通过自蒸馏和确定性流实现单步扩散采样器

Pascal Jutras-Dube, Jiaru Zhang, Ziran Wang, Ruqi Zhang

机构 * Purdue University（普渡大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出一种单步扩散采样器，通过自蒸馏和确定性流实现快速稳定采样和证据估计。

Comments Accepted to the 29th International Conference on Artificial Intelligence and Statistics (AISTATS 2026)

CDLM: Consistency Diffusion Language Models For Faster Sampling

CDLM：一致性扩散语言模型用于更快的采样

Minseo Kim, Chenfeng Xu, Coleman Hooper, Harman Singh, Ben Athiwaratkun, Ce Zhang, Kurt Keutzer, Amir Gholami

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 CDLM通过一致性建模和块状因果注意力掩码，显著降低扩散语言模型的推断延迟，同时保持在数学和编码任务上的准确性。

Comments Accepted to MLSys 2026

Online Posterior Sampling with a Diffusion Prior

在线后验采样与扩散先验

Branislav Kveton, Boris Oreshkin, Youngsuk Park, Aniket Deshmukh, Rui Song

机构 * Adobe Research（Adobe研究院） ； Amazon（亚马逊公司） ； AWS AI Labs（AWS人工智能实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出了一种基于扩散模型先验的近似后验采样算法，用于基于上下文的老虎机问题，以提高复杂分布建模能力。

Comments Advances in Neural Information Processing Systems 37

Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models

利用扩散生成模型优化压缩感知MRI的采样模式

Sriram Ravula, Brett Levac, Yamin Arefeen, Ajil Jalal, Alexandros G. Dimakis, Jonathan I. Tamir

机构 * Chandra Family Department of Electrical and Computer Engineering, The University of Texas at Austin（查德拉家族电子与计算机工程系，德克萨斯大学奥斯汀分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Imaging Physics, MD Anderson Cancer Center, Houston, Texas, USA（影像物理，MD安德森癌症中心，休斯顿，德克萨斯州，美国） ； Electrical Engineering and Computer Sciences, University of California, Berkeley（电气工程与计算机科学，加州大学伯克利分校） ； Department of Diagnostic Medicine, Dell Medical School, Austin, Texas, USA（诊断医学系，德勒医学学院，奥斯汀，德克萨斯州，美国） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出利用扩散模型优化MRI采样模式，以提高加速多通道MRI重建的质量。

Diffusion posterior sampling for simulation-based inference in tall data settings

扩散后验采样用于高数据设置下的基于模拟的推断

Julia Linhart, Gabriel Victorino Cardoso, Alexandre Gramfort, Sylvain Le Corff, Pedro L. C. Rodrigues

机构 * Université Paris-Saclay（巴黎-萨克雷大学） ； Inria（法国国家信息与自动化技术研究院） ； CEA（法国原子能委员会） ； CMAP, École Polytechnique（高等理工学院CMAP部门） ； Institut Polytechnique de Paris（巴黎理工 institute） ； CNRS（法国国家科学研究中心） ； Grenoble INP（格勒诺布尔INP） ； LJK（格勒诺布尔联合实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 本文提出了一种无需兰格-动态步骤的扩散后验采样方法，提高了高数据设置下基于模拟的推断效率和稳定性。

Comments 49 pages, 24 figures, 3 tables, 2 algorithms, 12 appendices, TMLR acceptance

dUltra: Ultra-Fast Diffusion Language Models via Reinforcement Learning

dUltra: 通过强化学习实现超快扩散语言模型

Shirui Chen, Jiantao Jiao, Lillian J. Ratliff, Banghua Zhu

机构 * University of Washington（华盛顿大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)

AI总结 dUltra通过端对端强化学习框架实现超快扩散语言模型，提升并行生成效率和准确性。