图像生成

ETC: Extreme Token Compression via Task-aware Visual Information Distillation in VLMs

ETC: 通过任务感知的视觉信息蒸馏实现视觉语言模型中的极端令牌压缩

Yiling Gao, Hongchen Wei, Zhenzhong Chen

机构 * School of Remote Sensing and Information Engineering, Wuhan University（武汉大学遥感与信息工程学院） 纠错

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

AI总结 提出ETC框架，基于变分信息蒸馏原理，在减少输入令牌数量时最小化任务损失，通过文本-图像交叉注意力加权视觉特征并引入变分信息蒸馏，实现单令牌压缩下仍保持强任务性能。

Let It Be Simple: One-Step Action Generation for Vision-Language-Action Models

让它简单：视觉-语言-动作模型的单步动作生成

Yitong Chen, Shiduo Zhang, Jingjing Gong, Xipeng Qiu

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） 纠错

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

AI总结 针对视觉-语言-动作（VLA）模型，提出通过偏置训练时间分布至高频噪声状态，实现无需教师模型、蒸馏或辅助目标的单步动作生成，性能可匹配十步解码。

Comments 13 pages, 10 figures

Transition Matching Distillation for Fast Video Generation

用于快速视频生成的过渡匹配蒸馏

Weili Nie, Julius Berner, Nanye Ma, Chao Liu, Saining Xie, Arash Vahdat

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

AI总结 研究针对大型视频模型多步采样低效问题，提出过渡匹配蒸馏框架TMD，将扩散模型多步去噪轨迹与少步概率过渡过程匹配，分解扩散主干为组件，经实验验证TMD在速度和质量权衡上表现出色，优于现有蒸馏模型。

Journal ref Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2026, pp. 4645-4655

M4V: Multimodal Mamba for Efficient Text-to-Video Generation

M4V：用于高效文本到视频生成的多模态曼巴

Jiancheng Huang, Gengwei Zhang, Zequn Jie, Siyu Jiao, Yinlong Qian, Ling Chen, Yunchao Wei, Lin Ma

机构 * Meituan（美团） ； University of Technology Sydney（技术大学悉尼分校） ； Beijing Jiaotong University（北京交通大学） 纠错

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

AI总结 研究针对文本到视频生成计算量大的问题，引入多模态曼巴框架M4V。设计MM-DiM块，采用多模态令牌重新组合设计，增强时空一致性。实验表明，该框架能在降计算成本的同时生成高质量视频。

Comments CVPR 2026

Allo{SR}$^2$: Rectifying One-Step Super-Resolution to Stay Real via Allomorphic Generative Flows

Allo{SR}$^2$: 通过全形生成流纠正一步超分辨率以保持真实

Zihan Wang, Xudong Huang, Junbo Qiao, Wei Li, Jie Hu, Xinghao Chen, Shaohui Lin

机构 * East China Normal University Huawei Noah's Ark Lab（华东师范大学华为诺亚实验室） 纠错

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

AI总结 本文提出Allo{SR}$^2$，通过全形生成流纠正一步超分辨率轨迹，以维持高保真生成现实。方法利用SNR引导轨迹初始化和FATC确保稳定路径，同时通过ATM策略减少分布差异，实验证明其在真实世界超分辨率中表现优异。

Comments Accepted to ECCV 2026

When Distillation Breaks Motion Control: Restoring Generative Trajectories for Fast Video Generators

当蒸馏破坏运动控制时：恢复快速视频生成器的生成轨迹

Jintao Rong, Xin Xie, Xinyi Yu, Linlin Ou, Xinyu Zhang, Chunhua Shen, Dong Gong

机构 * Zhejiang University of Technology（浙江工业大学） ； University of New South Wales (UNSW Sydney)（新南威尔士大学（悉尼）） ； University of Auckland（奥克兰大学） ； Zhejiang University（浙江大学） 纠错

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

AI总结 研究免训练运动定制应用于蒸馏视频生成器的问题，提出MotionEcho框架，通过推理时用高质量扩散教师模型校正学生模型采样轨迹，实现准确运动控制，提升运动保真度和视觉质量，且保留蒸馏生成效率优势。

Comments Project page: https://euminds.github.io/motionecho/

Reduced NEXI protocol for the quantification of human gray matter microstructure on the Connectome 2.0 scanner

用于Connectome 2.0扫描仪中人类灰质微结构量化的一种简化NEXI协议

Quentin Uhl, Tommaso Pavan, Julianna Gerold, Kwok-Shing Chan, Yohan Jun, Shohei Fujita, Aneri Bhatt, Yixin Ma, Qiaochu Wang, Hong-Hsi Lee, Susie Y. Huang, Berkin Bilgic, Ileana Jelescu

机构 * Lausanne University Hospital (CHUV) and University of Lausanne（拉沃斯大学医院（CHUV）和拉沃斯大学） ； Massachusetts General Hospital（麻省总医院） ； Athinoula A. Martinos Center for Biomedical Imaging（阿提诺拉A.马丁诺斯生物医学成像中心） 纠错

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

AI总结 本文提出一种简化NEXI协议，利用可解释AI框架减少扫描时间，验证了其在体内的有效性，并展示了其在微结构映射中的优势。

Comments Submitted to Imaging Neuroscience. This all-in-one version includes supplementary materials. 34 pages, 145 figures, 4 tables

Imbalance-Robust and Sampling-Efficient Continuous Conditional GANs via Adaptive Vicinal Learning and Auxiliary Regularization

通过自适应邻域学习和辅助正则化实现不平衡鲁棒且采样高效的连续条件生成对抗网络

Xin Ding, Yun Chen, Yongwei Wang, Kao Zhang, Sen Zhang, Peibei Cao, Xiangxue Wang

机构 * School of Artificial Intelligence/School of Future Technology, Nanjing University of Information Science & Technology, Nanjing, China（人工智能学院/未来技术学院，南京信息科学技术大学） ； Perceptual and Generative AI Lab, Nanjing University of Information Science & Technology, Nanjing, China（感知与生成人工智能实验室，南京信息科学技术大学） ； College of Media, Zhejiang University, Hangzhou, China（传媒学院，浙江大学） ； College of Computer Science and Technology, Zhejiang University, Hangzhou, China（计算机科学与技术学院，浙江大学） 纠错

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

AI总结 研究针对CcGAN固定大小邻域训练对标签密度敏感及CCDM计算昂贵问题，提出结合软/混合自适应邻域与辅助判别器引导正则化的CcGAN-AVAR，实验表明其能保持GAN采样效率，提升生成质量和标签一致性，推理速度远超CCDM。

Distribution Matching Distillation Meets Reinforcement Learning

分布匹配蒸馏与强化学习的结合

Dengyang Jiang, Dongyang Liu, Zanyi Wang, Qilong Wu, Liuzhuozheng Li, Hengzhuang Li, Xin Jin, David Liu, Changsheng Lu, Zhen Li, Bo Zhang, Mengmeng Wang, Steven Hoi, Peng Gao, Harry Yang

机构 * HKUST（香港科技大学） ； Alibaba Group（阿里巴巴集团） ； SIAT, CAS（中国科学院深圳先进技术研究院） ； Shanghai AI Lab（上海人工智能实验室） ； ZJUT（浙江工业大学） ； CUHK（香港中文大学） 纠错

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

AI总结 本文提出DMDR框架，结合奖励倾斜分布匹配与动态蒸馏策略，通过联合优化提升生成质量与可控性，优于多步生成模型。

Comments [ECCV 26] The synergy of reinforcement learning and distribution matching distillation. See more: https://github.com/vvvvvjdy/dmdr

GaussianGPT: Towards Autoregressive 3D Gaussian Scene Generation

GaussianGPT：迈向自回归3D高斯场景生成

Nicolas von Lützow, Barbara Rössle, Katharina Schmid, Matthias Nießner

机构 * Technical University of Munich, Germany（德国慕尼黑工业大学） 纠错

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

AI总结 本文提出GaussianGPT，一种基于Transformer的自回归模型，通过逐词预测生成3D高斯分布，实现可控的3D场景生成，支持逐步构建场景并支持完成、外推等操作。

Comments Project page: https://nicolasvonluetzow.github.io/GaussianGPT/ - Project video: https://youtu.be/zVnMHkFzHDg - Accepted at ECCV 2026

Pool-Select-Refine for Allocation-Aware Generative Dataset Distillation

Pool-Select-Refine: 基于软标签引导潜在精化的分配感知生成式数据集蒸馏

Wenmin Li, Shunsuke Sakai, Zhongkai Zhao, Tatsuhito Hasegawa

机构 * Graduate School of Engineering, University of Fukui（福井大学工学研究科） ； College of Computer Science and Artificial Intelligence, Southwest Minzu University（西南民族大学计算机科学与人工智能学院） 纠错

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

AI总结 提出Pool-Select-Refine两阶段框架，通过过完备候选池选择与软标签引导潜在精化解耦生成、选择和精化，提升扩散模型数据集蒸馏的预算利用效率。

Generative Manifold Distillation: Aligning Restoration Trajectories with Natural Image Prior

生成式流形蒸馏：将恢复轨迹与自然图像先验对齐

Yuyang Hu, Mojtaba Sahraee-Ardakan, Arpit Bansal, Kangfu Mei, Chenyang Qi, Peyman Milanfar, Mauricio Delbracio

机构 * Google（谷歌） ； Washington University in St. Louis（圣路易斯华盛顿大学） 纠错

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

AI总结 提出生成式流形蒸馏（GMD），通过几何流形对齐实现无配对域自适应，利用冻结文本到图像基础模型的流匹配动力学将离流形恢复投影到自然图像流形，并引入质量门控滤波器和源锚定轨迹正则化，无需架构修改或推理延迟即可提升感知质量。

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

LaTtE-Flow: Layerwise Timestep-Expert Flow-based Transformer

LaTtE-Flow: 基于层间时间步专家流的Transformer

Ying Shen, Zhiyang Xu, Jiuhai Chen, Shizhe Diao, Jiaxin Zhang, Yuguang Yao, Joy Rimchala, Ismini Lourentzou, Lifu Huang

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of Maryland（马里兰大学） ； Nvidia（英伟达） ； Salesforce AI Research（Salesforce AI研究） ； Intuit AI Research（Intuit AI研究） 纠错

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

AI总结 提出LaTtE-Flow，一种基于预训练视觉语言模型的高效统一架构，通过层间时间步专家流和条件残差注意力机制，实现图像理解与生成，生成速度提升约6倍。

Comments Unified multimodal model, Flow-matching

SE(3)-MeanFlow: Few-Step Protein Backbone Generation on Lie Groups

SE(3)-MeanFlow：李群上的少步蛋白质主链生成

Yikun Bai, Binghang Lu, Yikai Liu, Elaheh Akbari, Soheil Kolouri, Linxuan Wang, Ping He, Shuchan Wang, Ruqi Zhang, Guang Lin

机构 * Purdue University（普渡大学） ； Vanderbilt University（范德堡大学） ； Freie Universität Berlin（柏林自由大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 SE(3)-MeanFlow将MeanFlow扩展到李群几何，通过新训练目标实现少步蛋白质主链生成，性能优于多倍采样的流匹配基线，适配高通量设计需求。

Functional Adjoint Sampler: Scalable Sampling on Infinite Dimensional Spaces

功能伴随采样器：无穷维空间上的可扩展采样方法

Byoungwoo Park, Juho Lee, Guan-Horng Liu

机构 * FAIR at Meta（Meta 的 FAIR） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 针对无穷维函数空间吉布斯分布采样的理论缺口，提出基于随机最优控制的功能伴随采样器FAS，在合成势与真实分子系统上实现了更优的转移路径采样性能。

Efficient, Nonlinear Second Moment Methods for Multigroup Thermal Radiative Transfer

高效非线性二阶矩方法用于多群热辐射传输

Samuel Olivier, James S. Warsa, HyeongKae Park

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出一种高效的非线性加速框架，用于多群热辐射传输，通过高阶离散 ordinates 传输与灰度扩散低阶系统结合，实现稳定求解并提升鲁棒性。

Attn-QAT: 4-Bit Attention With Quantization-Aware Training

Attn-QAT：4位注意力与量化感知训练

Peiyuan Zhang, Matthew Noto, Wenxuan Tan, Chengquan Jiang, Will Lin, Wei Zhou, Hao Zhang

机构 * Stanford University（斯坦福大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 Attn-QAT通过稳定4位量化感知训练实现高效的注意力计算，提升模型推理速度并保持性能。

MUGEN: A Unified Framework for Efficient Motion Understanding and Generation

MUGEN：用于高效运动理解与生成的统一框架

Zhankai Ye, Yukai Jin, Bingyang Wei, Bofan Li, Yusen Wu, Fangyi Li, Shangqian Gao, Xin Liu

机构 * Florida State University（佛罗里达州立大学） ； Texas Christian University（得克萨斯基督教大学） ； University of Miami（迈阿密大学） ； University of Pennsylvania（宾夕法尼亚大学） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 MUGEN是一个无码本的统一运动-语言框架，通过自适应长度自编码器实现高效运动压缩，在HumanML3D和SnapMoGen数据集上的生成、检索与对齐指标均表现优异，兼顾效率与性能。

Time-dependent cosmic-ray escape from wind bubbles: hard spectra formation

从风泡中时间依赖的宇宙射线逃逸：硬谱形成

Lukas Merten, Sophie Aerdker, Enrico Peretti

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 研究风泡中宇宙射线的时间依赖逃逸，通过求解含时输运方程发现逃逸谱可硬于E^{-2}，且低能粒子可能被显著抑制，为多信使观测提供特征。

x-Prediction Is All You Need:Training-Free Accelerated Generation via Endpoint Decodability

x预测就足够了：通过端点可解码性实现无训练加速生成

Xin Peng, Ang Gao

机构 * School of Physical Science and Technology, Beijing University of Posts and Telecommunications（北京邮电大学物理科学与技术学院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 研究基于x预测，通过端点可解码性提出截断跳跃采样方法，无需重新训练等操作，在多个模型和基准测试中减少神经函数评估次数20 - 70%，且质量相近，实现无轨迹重新设计的推理加速。

Sampling Decisions: Exact Path-Space Control for Physics-Informed Generative Sampling

采样决策：精确路径空间校正、先验抵消和局部玻尔兹曼引导

Michael Chertkov, Hamidreza Behjoo, Sungsoo Ahn

机构 * Program in Applied Mathematics and Department of Mathematics, University of Arizona（应用数学项目和数学系，亚利桑那大学） ； Graduate School of AI at KAIST（韩国科学技术院人工智能研究生院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 研究如何校正离散空间便宜但有偏差的顺序有限时间范围采样器，核心方法是将采样决策公式化为路径空间相对熵投影，引入相关先验和校正。实验表明单例积先验有问题，局部玻尔兹曼引导效果好，确定了相关前缀引导对顺序采样的决定性作用。

Comments 35 pages, 7 figures

Fermi-level mediated acceleration of flash sintering of oxide ceramics

费米能级介导的氧化物陶瓷快速烧结加速

Qin-Kun Li, Evgeni S. Penev, Boris I. Yakobson

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 研究探讨氧化物陶瓷快速烧结中原子层面机制，用第一性原理计算，揭示YSZ中缺陷电荷补偿使费米能级上移加速阳离子迁移，如Zr空位电荷转变降低扩散势垒，该机制可推广，对FS技术理论有重要意义。

NanoBTE: Fast Iterative Solution of the Phonon Boltzmann Transport Equation for Nanoscale Heat Transport

NanoBTE：用于纳米尺度热输运的声子玻尔兹曼输运方程的快速迭代解

Hongjiang Chen, Hai-Xuan Lin, Xiaole Tian, Hongyu Chen, Juan Zhang, Shengyao Yan, Hezhu Shao, Yu Wu, Junjie Liu, Hao Zhang

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 针对纳米尺度热输运中声子输运偏离经典傅里叶描述的问题，提出NanoBTE求解器，采用有限体积法，支持多种条件，有迭代方案及任务分解策略，可加速收敛并实现并行化与GPU加速。

Comments 29 pages, 9 figures

UniSteer: Unified Noise Steering for Efficient Human-Guided VLA Adaptation

统一噪声引导用于高效的人类引导VLA适应

Junjie Lu, Xinyao Qin, Yuhua Jiang, Kaixin Wang, Chuheng Zhang, Bin Liang, Jun Yang, Min Xu, Li Zhao

机构 * University of Technology Sydney（悉尼技术大学） ； Tsinghua University（清华大学） ； Microsoft Research（微软研究院） 纠错

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出UniSteer框架，结合人类纠正指导与噪声空间RL，通过近似动作到噪声的逆向转换提升VLA在真实世界中的适应效率，实验显示成功率显著提升。

Highly Efficient Rank-Adaptive Sweep-based SI-DSA for the Radiative Transfer Equation via Mild Space Augmentation

通过温和的空间增强实现高效且适应性的秩适应性扫掠SI-DSA用于辐射传输方程

Wei Guo, Zhichao Peng

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出一种高效的秩适应性扫掠SI-DSA方法，通过温和的空间增强实现低秩求解，减少内存和计算时间，适用于多尺度问题。

Comments 26 pages, 7 figures

An efficient method based on the evolutionary center algorithm for optimizing chemical-diffusive models for flame acceleration and DDT

基于进化中心算法的高效方法用于优化火焰加速和DDT的化学扩散模型

Huahua Xiao, Xu Zhang, Mingbin Zhao, Congling Shi

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 本文提出基于进化中心算法（ECA）和Nelder-Mead算法的混合方法，用于高效优化化学扩散模型参数，以准确模拟火焰加速和DDT现象，并验证其在氢气混合物中的燃烧波特性。

Comments Manuscript with 13 figures, 7 tables, and appendix

Lévy Langevin Monte Carlo for sampling from heavy-tailed target distributions

用于从重尾目标分布中采样的Lévy朗之万蒙特卡罗方法

Anita Behme, Claudius Lütke Schwienhorst

专题命中 效率与蒸馏 ：diffusion(abstract)

AI总结 研究如何从重尾目标分布采样，扩展Lévy朗之万蒙特卡罗方法，利用由复合泊松过程驱动的随机微分方程，可从非光滑目标和分离模式分布中采样，指数收敛到不变分布，且因复合泊松噪声项易于实现。

Comments 29 pages, 8 figures

Journal ref Extremes (2026)

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。