扩散模型

I Am a robert girl

当扩散编辑器“看不见”参考图：从 RefGAP 拆解参考注意力分配问题从今天觉醒,技术赋予每一个人数字生命参考引导的扩散编辑器（Reference-guided Diffusion Editor）是这两年视觉编辑领域最实用的方向之一：用户给一张参考人脸、一件衣服或一个背景，模型在保持原图结构不变的前提下，把目标区域替换成参考内容。换脸、虚拟试衣、背景替换，本质上都是同一个问题——编辑区域要“像参考”，保留区域要“不像参考”。

风巽·剑染春水

【扩散模型原理】（七）Diffusion Models and Optimal Transport（3）《扩散模型原理：从起源到发展》第七章：扩散模型与最优传输专著参考：The Principles of Diffusion Models

【世界模型】WorldCrafter：基于隐式三维感知记忆的视频世界模型图 1。WorldCrafter 实现了稳定且由相机控制的探索体验。如重建的点云所示，该工具可在静态场景 (a) 与动态场景 (b) 中保持场景外观与结构的连贯性；受试者在离开并重新进入视野后仍能保持行为一致性 ©；用户还可仅凭文字描述生成并探索场景 (d)。

Unified Camera Positional Encoding for Controlled Video GenerationTransformer 已成为自动驾驶和具身智能中 3D 感知、视频生成和世界模型的通用骨干架构，其中理解相机几何对于将视觉观测锚定到三维空间至关重要。然而，现有的相机编码方法通常依赖简化的针孔假设，限制了其对真实相机多样化内参和镜头畸变的泛化能力。我们引入了相对光线编码，这是一种几何一致的表示方法，统一了完整的相机信息，包括 6-DoF 位姿、内参和镜头畸变。为了在不同可控性需求下评估其能力，我们采用相机控制的文生视频生成作为测试任务。在此设定中，我们进一步确定了俯仰角和滚转角作为绝对方向编码的两个有效

I Am a robert girl

HelixWorld 源码剖析：当世界模型第一次“开口说话”从今天觉醒,技术赋予每一个人数字生命过去两年，交互式世界模型（Interactive World Model）的进展几乎全部集中在视觉侧：给定一张图、一段文字或一条 6-DoF 相机轨迹，模型就能实时渲染出可漫游的 3D 场景。Genie、GameNGen、以及后续一系列流式视频扩散模型，把"可玩性"和"响应速度"推到了 24 FPS 的量级。

风巽·剑染春水

【扩散模型原理】（六）A Unified and Systematic Lens on Diffusion Models（2）《扩散模型原理：从起源到发展》第六章：扩散模型的统一系统化视角专著参考：The Principles of Diffusion Models

风巽·剑染春水

【扩散模型原理】（六）A Unified and Systematic Lens on Diffusion Models（1）《扩散模型原理：从起源到发展》第六章：扩散模型的统一系统化视角专著参考：The Principles of Diffusion Models

智码看视界

开源大模型追踪：Qwen-Image-2.1 ：7B 视觉生成模型开源榜登顶 60.28，原生 RGBA 透明出图Qwen-Image-2.1 是阿里巴巴 Qwen 团队于 2026-09-20 开源的图像生成与编辑一体化模型，视觉生成部分为一个 7B 参数的 32 层单流 DiT，搭配 Qwen3-VL 8B 文本编码器与 64 通道 RGBA VAE。BF16 全量权重约 33GB，INT8 量化栈可压到约 14GB，Unsloth 的 Q4_K_M GGUF 甚至能在 12GB 显存上跑通；vLLM-Omni 在 1024² 40 步下实测约 3.3–4.5 秒/张（厂商数据）。它最大亮点是原生 RGBA 透明

这张生成的图像能检测吗

（论文速读）一种用于图像超分辨率的有效扩散变换结构论文题目：Effective Diffusion Transformer Architecture for Image Super-Resolution（一种用于图像超分辨率的有效扩散变换结构）

这张生成的图像能检测吗

（论文速读）FCDM：ConvNeXt 也能做高效扩散模型，卷积网络重新挑战 DiT论文题目： Reviving ConvNeXt for Efficient Convolutional Diffusion Models 中文翻译：重振 ConvNeXt：面向高效卷积扩散模型的架构设计会议： CVPR 2026

深入浅出完整解析FLUX.2、Seedream（即梦）、Z-image、Qwen-Image、GLM-Image核心基础知识欢迎大家关注Rocky的知乎：Rocky Ding 《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源：【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book，欢迎大家Star～

【VLA】Qwen-VLA:VLM+DiT统一多模态理解与连续机器人动作生成Qwen-VLA 的做法，不是声称"把所有机器人统一成一种动作"，而是用 Qwen3.5-4B 视觉—语言骨干 + 约 1.15B 参数的 DiT 流匹配动作专家 + 一套 H×K 张量/前缀掩码/具身提示的接口，把操作、导航、人本动作、轨迹预测接进同一个条件生成框架。

一穷二白到年薪百万

【流匹配模型Flow Maching】流匹配模型入门理解（3）下面在这个代码的基础上【流匹配模型Flow Maching】流匹配模型入门理解（2），讲一下条件流模型。

梦想的初衷~

深度学习全栈技术复盘：PINN科学计算、Transformer多场景建模、GNN时空网络与强化学习工业实战当前，科学研究正经历”数据驱动”与”机理驱动”双轮融合的深刻范式变革。一方面，观测、监测与遥感数据呈指数级增长，传统建模方式难以从中提炼可靠知识；另一方面，数值模拟模型日益复杂，率定成本高企，且模型内部机理难以被纯数据方法替代。高校与科研院所的研究者普遍面临三重挑战：物理方程与深度学习两套话语体系割裂，PINN等融合方法门槛高、落地少；Transformer、图神经网络、强化学习等前沿架构概念繁多，跨领域迁移路径不清晰；模型率定、超参调优与结果解释环节仍依赖经验试错，进化计算等系统化方法论支撑。在此背景下

风巽·剑染春水

【医学AI前沿】（NPJ-DM-2026）利用身份保持去噪扩散生成对抗网络预测阿尔茨海默病进展数字孪生脑：用 AI 提前看见阿尔茨海默病的大脑未来！论文：Forecasting Alzheimer’s disease progression via identity-preserved denoising diffusion generative adversarial network 代码：https://github.com/zhonghuajiuzhou12138/DDGAN

一穷二白到年薪百万

【流匹配模型Flow Maching】流匹配模型入门理解（2）之前已经介绍过DDMP以及流模型见如下四篇链接: 【扩散模型DDPM】扩散模型入门理解（1），【扩散模型DDPM】扩散模型入门理解（2），【扩散模型DDPM】扩散模型入门理解（3），【流匹配模型Flow Maching】流匹配模型入门理解（1）现在看一下流模型的代码，这个代码在DDPM代码的基础上比较好理解，见扩散模型理解（3）。

这张生成的图像能检测吗

（论文速读）DI-CDM：微调条件扩散模型在结构健康监测中的损伤成像论文题目：Damage imaging in structural health monitoring with fine-tuned conditional diffusion model（微调条件扩散模型在结构健康监测中的损伤成像）

一穷二白到年薪百万

【扩散模型DDPM】扩散模型入门理解（2）接着上篇【扩散模型DDPM】扩散模型入门理解（1），理解完成噪声生成的推导，模型训练之后。那么当模型训练完成之后如何生成呢，毕竟模型唯一个一个预测功能是噪声预测，而且上一个小节明确说了，模型训练完成之后，随机采样一个噪声去预测，但是用噪声预测网络去预测噪声没啥用啊。下面我们深入分析这个问题。

一穷二白到年薪百万

【扩散模型DDPM】扩散模型入门理解（1）DDPM乍一看非常复杂各种推导公式，变分推断等。但是直接从本质理解并不是很麻烦，先不考虑背后的复杂原理和数学基础，单纯从代码角度理解是非常容易的。DDPM就是两个过程，第一个过程是数据加噪在这个过程中涉及到加噪公式的推导。第二个是数据训练也就是噪声预测，这个过程是让模型学会如何预测噪声即学会去噪。当了解这个过程之后，就明白了什么是经典DDPM，还有就是基于这个过程的各种改进。

风巽·剑染春水

【技术追踪】SD-FSMIS：面向小样本医学图像分割的 Stable Diffusion 适配方法（CVPR-2026）利用 Stable Diffusion 的生成先验来做判别式的分割任务！论文：SD-FSMIS: Adapting Stable Diffusion for Few-Shot Medical Image Segmentation 代码：https://github.com/Galaxy-Knight-Lee/SD-FSMIS