标签
本文介绍了Prefix-Denoising Consistency (PDC)，一种用于扩散语言模型的测试时验证方法，通过使用前缀条件再生和多数投票来提高推理任务的性能。
语义推理去噪（SRD）引入了一种算子化的马尔可夫去噪方法，用于纠正语言模型推理轨迹中的语义错误。该方法使用可执行的错误算子和迭代优化，在六个基准测试中均展现出性能提升，并在迁移任务上取得了有竞争力的结果。
本文介绍了 Entropy-Valley，一种用于掩码扩散机器翻译的免训练长度选择器，它使用预测熵来提高充分性，表明长度选择比掩蔽顺序更为重要。
TT-Net为条件生成对抗网络引入了一种量子启发的张量网络去噪模块，能够访问跨通道信息，在不同类型的噪声上，在PSNR和SSIM指标上优于SVD-Net和其他方法。
本文挑战了迭代去噪总能改善基于扩散的时间序列预测的假设，提出了一种全局停止准则和伯努利采样器，以提高准确性和速度。
Introduces Continuous Interaction Diffusion (CID), a diffusion-native model–runtime architecture that integrates tool interaction into iterative denoising, enabling asynchronous external reads while generation continues without waiting for discrete tool calls.
Introduces ZUNA1.1, a 380M-parameter diffusion autoencoder for flexible EEG signal reconstruction, capable of handling variable-length sequences, arbitrary channels, and temporal intervals, while outperforming standard interpolation methods. The model is released open source under the Apache 2.0 license.
介绍了ReDe框架，该框架通过过滤无关和重复步骤来对推理轨迹进行降噪，从而改进大型推理模型中的幻觉检测，在TruthfulQA上达到了高达87.32的AUROC。
本文提出了GAIA，一种面向UWB去噪与工作区域重建的几何感知学习框架，该框架将时序距离建模与潜在锚点布局估计相结合。在真实户外数据上的评估表明，GAIA将距离MSE降低了18.4%，并将多边形IoU相较于基线提高了15.5%，展示了在非视距条件下的有效边界级重建。
本文介绍了 dOPSD，一种面向扩散语言模型的在线策略自蒸馏方法，该方法利用内部去噪轨迹来提升数学推理和代码生成能力。
PhotoQuilt 是一个无需训练的框架，通过结合全局布局构图与潜空间中的独立分块生成，生成高分辨率照片马赛克，克服了扩散模型在平衡局部细节与全局结构上的局限性。
本文提出DIF，一种模型无关的去噪方法，用于冷启动推荐中的隐式反馈去噪。该方法利用内容相似的热门物品生成的伪标签以及不确定性估计，在拥有十亿用户的视频应用中取得了显著改进。
RepFusion提出了一种方法，在扩散Transformer中将预训练多模态LLM用作噪声表示编码器，用于文本到图像生成，在相似计算量下超越基线。
讨论优化DiffusionGemma推理、减少幻觉以及提高工具使用和代理性能的多种方法，包括熵约束采样、模式脚手架和去噪期间的检索。
RepFusion 提出使用多模态大语言模型作为噪声表示编码器，用于文本到图像生成中的扩散变压器，优于传统的去噪方法。
UniPET是一种用于PET图像去噪的通用网络，通过域泛化和区域感知学习处理变化的剂量降低因子，达到了最先进的性能。
PhaseLock是一个无需训练的框架，通过从早期步骤推理中保留运动先验来提高图像到视频扩散模型的物理一致性，以最小开销实现6.2个百分点的提升。
本文提出测地线流匹配（Geodesic Flow Matching），一种在环面流形上对空间语义指针（SSP）进行去噪的黎曼传输方法，并在脉冲神经SLAM系统中实现了72%的跟踪误差降低和40%的效率提升。
本文介绍了时空并行解码（TSPD）和置信度外推（CE），通过动态判断令牌何时收敛并预测logit趋势，来加速基于扩散的大语言模型的推理，减少不必要的去噪步骤，同时保持输出质量。
一种自我改进的人工智能框架，通过语言模型反馈代理同时更新模型权重和任务特定的智能体架构，在法律分类、GPU优化和生物去噪任务上取得了显著提升。