University of Michigan（密歇根大学安娜堡分校）

Contrastive Distribution Matching for Amortized Sequential Monte Carlo in Discrete Diffusion

对比分布匹配用于离散扩散中的摊销序贯蒙特卡洛

Jaihoon Kim, Taehoon Yoon, Prin Phunyaphibarn, Seungjun Kim, Morteza Mardani, Minhyuk Sung

机构 * KAIST（韩国科学技术院） ； University of Michigan（密歇根大学） ； NVIDIA（英伟达） 纠错

AI总结 提出对比分布匹配（CDM）框架，通过正负样本学习参数化扭曲函数，摊销序贯蒙特卡洛（SMC）推理成本，在离散扩散中高效采样奖励倾斜分布。

Comments Project Page: https://cdm-smc.github.io/

Learning Scene-Level Signed Directional Distance Function with Ellipsoidal Priors and Neural Residuals

学习场景级有符号方向距离函数：结合椭球先验与神经残差

Zhirui Dai, Hojoon Shin, Yulun Tian, Ki Myung Brian Lee, Nikolay Atanasov

机构 * Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系） ； Brain Corporation（Brain公司） ； Robotics Department, University of Michigan（密歇根大学机器人系） 纠错

AI总结 提出有符号方向距离函数（SDDF），结合显式椭球先验和隐式神经残差，实现高效准确的场景级几何重建与可微渲染。

Journal ref 2026 IEEE Transactions on Pattern Analysis and Machine Intelligence