扩散模型

27届大模型面试准备（四十六）：多模态生成式架构——扩散与自回归的统一大模型的能力版图里，A14 讲了视觉语言模型（VLM，理解侧），A31 讲了多模态推理，A40 讲了多模态大模型训练与对齐，A44 讲了生成式世界模型与视频生成（偏"世界如何被模拟"）。本文把镜头对准"生成范式"本身：同样是文生图、文生视频，底层为什么会出现自回归（Autoregressive, AR）和扩散（Diffusion）两条技术路线？它们各自擅长什么、又为什么正在相互靠拢？

【arXiv 2026】GenCeption：视频生成模型是通用视觉学习者｜从生成式视觉预训练范式视角本文解读 arXiv 2026 论文《Video Generation Models are General-Purpose Vision Learners》。该论文提出 GenCeption，把大规模文生视频扩散模型改造为单步前馈的通用视觉感知模型，通过统一 RGB 表示、可学习 token与统一 $L_2$ 损失，让 8 类稠密/稀疏任务共用一个骨干与解码器，其特别之处在于仅用纯合成视频数据训练，即全面超越各任务专用 SOTA。实验表明法向 Hi4D mAE 10.99、深度 Goliath AbsR

【三维重建】QuerySplat：在 3DGS 预测中解耦几何与外观表征图 1：QuerySplat 概览。对不同视角数量的未校准图像，QuerySplat 采用无姿态约束、前向传播且无需像素对齐的方式，重建出清晰且高保真度的3DGS场景。与现有方法相比，该方法能够生成结构更为连贯的场景，并可在数秒内处理真实场景下的输入图像。

Transformer vs Diffusion：为什么扩散模型更擅长捕捉细节？在近几年 AI 的发展中，Transformer 和扩散模型 (Diffusion Model) 是两条重要的技术路线。它们都能生成语音、图像甚至音乐，但在效果上常常有一个直观的差别：Transformer 输出偏“粗”，扩散模型更擅长生成细节。这篇文章就用直观例子和数学原理来解释其中的原因。

数据猎手小k

首个将EDM2扩散架构引入胎儿超声：512×512高分辨率合成使下游分类准确率达93.36%-UltrasoundEDM22026年8月5日，由英国南安普顿大学（联合清华大学、伦敦国王学院、伦敦大学学院UCL-ARC）的研究团队提出了一个基于EDM2扩散架构的高分辨率胎儿超声图像合成框架。该框架在4个公开数据集上训练，生成512×512分辨率的6类解剖平面胎儿超声图像，总体FID从先前方法的176.85降至104.25（降低40.9%），下游胎儿平面分类在合成数据微调后集成准确率达93.36%，超过仅用真实数据训练的92.32%。一位10年以上经验的胎儿超声专家对100张图像的临床评估给出平均真实度2.67/5（真实图像3.

【前馈三维重建】AdaptiveSplat：前馈重建的纹理感知可控3DGS分配方法（ECCV 2026）图1：概述：给定输入图像和目标高斯预算，AdaptiveSplat可生成稀疏但高质量的重建结果----控制基本图元分配的同时，能够保持场景保真度的能力。相比之下，现有方法在高稀疏度下会出现伪影及过度平滑现象。

【arXiv 2025】开源视频生成大模型 Wan 2.1｜从视频生成开源基座视角本文解读 arXiv 2025 论文《Wan: Open and Advanced Large-Scale Video Generative Models》。该论文提出Wan 2.1 开源视频生成大模型，通过融合DiT 架构、Flow Matching 训练与Wan-VAE 时空压缩，以 14B 旗舰 + 1.3B 消费级双规模覆盖 8 大生成任务，其特别之处在于全栈开源（代码 + 权重 + 数据管线 + 评测工具）并首个支持视频内中英双语文字生成。实验表明 Wan 14B 在 VBench 总分 86.

【RSS 2025】统一世界模型：耦合视频与动作扩散的机器人预训练｜从扩散时间步设计视角本文解读 RSS 2025 论文《Unified World Models: Coupling Video and Action Diffusion for Pretraining on Large Robotic Datasets》。该论文提出统一世界模型（UWM），通过融合动作扩散、未来观测视频扩散与独立扩散时间步设计，让同一个扩散 Transformer 同时充当策略、前向动力学、逆动力学与视频预测四种模型，其特别之处在于用噪声水平统一了 conditioning 与 marginalization

科研小刘带你玩学术

【学术干货】CVPR论文解析：扩散模型如何推动生成式人工智能进入新时代？近年来，生成式人工智能快速发展。从AI绘画工具到文本生成视频系统，扩散模型（Diffusion Model）已经成为生成式AI领域的重要技术基础。

DCDA：双评判器扩散对齐，开放天气LiDAR-4D雷达融合3D检测泛化新范式🔥 本文定位：CSDN 原创干货 | 南京航空航天大学开放天气鲁棒 3D 检测新范式🎯 核心收益：一次性解决"训练天气有限→测试天气无限"的开放世界泛化难题！基于双评判器引导扩散对齐（DCDA），将退化 LiDAR 特征恢复到干净流形，检测引导评判器 + 天气对抗评判器双重约束，无需天气标签/配对数据即可泛化到未见天气类型和严重程度，LiDAR-4D Radar 融合 3D 检测全面超越 L4DR 和 V2X-R 基线，完美适配开放世界自动驾驶

融合深度学习与传统方法的电阻抗成像各种计算框架摘要：电阻抗层析成像（Electrical Impedance Tomography, EIT）是一种非侵入式成像技术，具有无辐射、高时间分辨率等优势，但其图像重建过程面临严重的非线性与病态性挑战。特别是在数据受限（Limited Data）的场景下，如 2023 年 Kuopio 断层扫描挑战赛（KTC 2023），传统算法往往难以获得高分辨率图像。本文介绍了一套通用的开源 EIT 重建框架，该框架集成了经典的 Tikhonov 正则化方法、基于卷积神经网络（CNN/UNet）的深度学习方法以及最前沿的

【三维重建】ArtiFixer：自回归扩散增强与扩展3DGS（NVIDIA）图1. ArtiFixer高效且可扩展地增强3DGS结果。给定初始重建结果、可选的参考视图及文本提示，该工具可通过自回归方法生成新的内容，同时保持与现有观测数据的高度一致性。ArtiFixer可在单次推理过程中直接生成数百个新视图，或作为伪监督数据用于优化底层三维重建效果。

机器学习之心

扩散模型遇上 Transformer-GRU：小样本场景下的回归预测新范式当训练数据不足 200 条时，如何训练出一个测试 R² 接近 0.9 的回归模型？本文记录了一种将扩散模型（Diffusion Model）与 Transformer-GRU 混合架构相结合的技术方案，在仅有 178 条原始训练样本的条件下，通过合成数据增强与序列化建模，实现了优异的回归预测效果。

这张生成的图像能检测吗

（论文速读）REF-DDPM：一种新的基于DDPM的不平衡滚动轴承故障诊断数据增强方法论文题目：ReF-DDPM: A novel DDPM-based data augmentation method for imbalanced rolling bearing fault diagnosis（一种新的基于DDPM的不平衡滚动轴承故障诊断数据增强方法）

LightningDiT----重建与生成：在潜在扩散模型中驯服优化困境论文标题Reconstruction vs. Generation: Taming Optimization Dilemma in Latent Diffusion Models

NWM----导航世界模型论文标题Navigation World Models作者Amir Bar, Gaoyue Zhou, Danny Tran, Trevor Darrell, Yann LeCun

科研小刘带你玩学术

学术干货｜DDT：解耦扩散Transformer实现高效高质量图像生成扩散模型（Diffusion Models）作为当前生成式AI领域最具影响力的技术范式之一，自2020年提出以来便以惊人的速度发展演进。与传统的生成对抗网络（GAN）和自回归模型（AR）相比，扩散模型在生成质量、多样性和训练稳定性方面展现出显著优势，已成为图像生成、视频合成、3D建模等任务的主流选择。然而，扩散模型也面临着严峻的计算效率挑战。以经典的DDPM（Denoising Diffusion Probabilistic Models）为例，模型需要在推理阶段执行多达数百甚至上千步的去噪迭代，每次迭

机器学习之心

扩散模型数据增强 + Transformer-LSTM 回归预测：小样本场景下的工业级解决方案摘要：在小样本回归任务中，数据稀缺往往是制约模型性能的核心瓶颈。本文将扩散模型（Diffusion Model）作为数据生成引擎与 Transformer-LSTM 深度回归网络深度融合，构建了一套端到端的小样本增强预测框架。实验结果表明，经扩散模型数据增强后，Transformer-LSTM 回归模型在测试集上取得了 MAE = 1.0122、RMSE = 1.2945、R² = 0.9007 的优异性能，充分验证了该技术路线在工业小样本场景中的实用价值。

UniVidX——基于扩散先验的统一多模态视频生成框架UniVidX: A Unified Multimodal Framework for Versatile Video Generation via Diffusion Priors