标签
本文提出了Diffusion Semi-Relaxed Fused Gromov-Wasserstein (DsrFGW)方法，这是一种通过最优传输和扩散过程整合节点特征与结构连接性的新型图比较方法，在合成任务上展示了对噪声和缺失边更高的鲁棒性。
本文介绍了Nemotron-Labs-Diffusion，一种三模式语言模型，统一了自回归、扩散与自推测解码，与现有模型相比实现了更优的吞吐量和效率。
PixWorld提出了一种统一的像素空间扩散方法，用于3D场景重建与生成，通过直接的图像级监督和几何感知特征对齐，克服了潜在空间方法的局限性。该方法优于先前的生成方法，并达到了与最先进的重建方法相当的性能。
SeFi-Image 是一种基于 Semantic-First Diffusion 的新型开源文本到图像基础模型，拥有 1B、2B 和 5B 参数规模，仅用 12.5 万 A800 GPU 小时即可完成训练。
Set Diffusion 引入了一类新的语言模型，通过在灵活位置、灵活长度的令牌集合上分解令牌生成，在自回归模型和扩散模型之间进行插值。这使得解码速度更快，令牌排序更灵活，在推理、摘要和无条件生成任务上实现了更好的速度-质量权衡。
NVIDIA提出了一种方法，将任何LLM转换为更快的版本，方法是将模型拆分为两个副本：一个冻结用于上下文，另一个训练用于并行生成多个token，实现了2.4倍加速，且质量保留约99%，仅使用了8%的训练数据。
本文提出多块扩散语言模型（MBD-LMs），将单块扩散扩展为并发多块解码，并采用优化训练策略如多块教师强制（Multi-block Teacher Forcing）和优化的块缓冲区解码算法。实验表明，每次前向传递的令牌数增加，基准测试准确率提升。
BlockPilot 提出了一种实例自适应策略，用于预测基于扩散的投机解码的最优块大小，从而以最小的开销实现显著的加速。
介绍了 Speculative Refinement (SpecRef)，一种无需训练的混合解码策略，它通过熵引导的选择性掩码，从自回归草稿中热启动掩码扩散语言模型。在六个基准测试上的评估表明，代码基准测试混淆了结构发现与逻辑正确性，识别出了一种精炼张力现象，并显示评估协议可能产生不同的模型排名。
NVIDIA 发布了 Nemotron-TwoTower-30B-A3B-Base-BF16，这是一种基于扩散的语言模型，采用逐块自回归扩散方法，通过对令牌块进行迭代去噪来生成文本，实现了自回归基线 2.42 倍的生成吞吐量，同时保留了基准测试质量 98.7% 的水平。
本文介绍了一种原子语言模型，它集成了3D原子编码器、Qwen大语言模型和扩散晶体生成器，原生处理多模态材料数据，实现了最先进的晶体结构预测和从头生成。
本文介绍了DigenRL，一个用于基于扩散的生成式LLMs的解耦RL框架，它利用生成轴流水线并行和训练器辅助生成，相比现有系统实现了1.56-2.10倍的吞吐量提升。
本文介绍了近似结构化扩散（Approximate Structured Diffusion），一种将条件随机场（CRF）与离散扩散相结合用于序列标注的方法。它使用以噪声标签序列为条件的CRF和近似平均场推理，在词性标注上实现了16.5%的错误率降低。
JanusMesh 是一个快速、免训练的框架，通过将生成过程解耦为跨空间双分支去噪和视图条件纹理合成，生成文本驱动的3D视觉错觉——单个网格从不同视角展示不同语义——在仅3-5分钟内实现高真实感。
MiniT2I 是一个极简的直接RGB文本到图像生成器，使用像素空间MM-JiT去噪器，结合流匹配和冻结的FLAN-T5-Large文本令牌，并开源了JAX/Flax和PyTorch实现以及检查点。
Moebius是一个0.22B参数的图像修复框架，媲美FLUX.1-Fill-Dev等10B级别模型，通过新颖的局部-全局交互模块和自适应蒸馏策略，实现超过15倍的推理加速。
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。
作者发起了一个每周视频模型期刊俱乐部，涵盖视频生成、世界模型、物理推理、扩散模型、流匹配等。首次线下讲座将由 Yilun Du 主讲，主题为“基于世界模型的具身推理”。
本文介绍SP³，一种使用球面编码器先验的即插即用图像恢复方法，在各项任务中实现与零样本扩散先验相当的感知质量，同时速度快3-630倍。
MoVerse 通过创建360°全景图和3D高斯脚手架，从单张图像生成实时交互式视频，利用基于扩散的技术实现高效渲染。