扩散模型

【论文精读】EvalCrafter：文本到视频生成模型的全面评测框架标题：EvalCrafter: Benchmarking and Evaluating Large Video Generation Models

扩散模型对齐：DMPO 让模型更懂人类偏好Binxu Li、Minkai Xu 等来自斯坦福大学的研究团队提出了一种名为 DMPO（Divergence Minimization Preference Optimization）的新方法，用于更好地将扩散模型与人类偏好对齐。

【论文精读】VIDM：基于扩散模型的视频生成新范式标题：VIDM: Video Implicit Diffusion Models作者：Kangfu Mei, Vishal M. Patel

【论文精读】FlowVid：驯服不完美的光流，实现一致的视频到视频合成标题：FlowVid: Taming Imperfect Optical Flows for Consistent Video-to-Video Synthesis 作者：Feng Liang*, Bichen Wu†, Jialiang Wang, Licheng Yu, Kunpeng Li, Yinan Zhao, Ishan Misra, Jia-Bin Huang, Peizhao Zhang, Peter Vajda, Diana Marculescu 单位：德克萨斯大学奥斯汀分校，Meta

统一高效图像生成与编辑！百度&新加坡国立提出Query-Kontext，多项任务“反杀”专用模型论文链接：https://arxiv.org/pdf/2509.26641亮点直击Query-Kontext，一种经济型集成多模态模型（UMM），能够将视觉语言模型（VLMs）中的多模态生成推理与扩散模型执行的高保真视觉渲染相分离。

扩散模型-图像编辑【An Edit Friendly DDPM Noise Space: Inversion and Manipulations】图1. 便于编辑的扩散概率模型反转。我们提出了一种方法，用于提取一系列能够完美重建给定图像的DDPM噪声图。这些噪声图的分布与常规采样中使用的噪声图不同，并且更便于编辑。我们的方法允许对真实图像进行多样化的编辑，而无需对模型进行微调或修改其注意力图，并且还可以轻松集成到其他算法中（此处结合Prompt-to-Prompt [9]和Zero-Shot I2I [21]进行说明）。

碎片笔记｜生成模型原理解读：AutoEncoder、GAN 与扩散模型图像生成机制前言：本篇博客简要介绍不同生成模型架构的图像生成原理，主要包括AutoEncoder、GAN 和 Diffusion Models 三类。

这张生成的图像能检测吗

（论文速读）DiffBlender:可组合和通用的多模态文本到图像扩散模型论文题目：DiffBlender: Composable and versatile multimodal text-to-image diffusion models（可组合和通用的多模态文本到图像扩散模型）

GSFix3Dpaper来源GSFix3D: Diffusion-Guided Repair of Novel Views in Gaussian Splatting

这张生成的图像能检测吗

（综述）扩散模型设计基础深度解析：从三大组件到未来趋势论文题目：On the design fundamentals of diffusion models: A survey（扩散模型的设计基础综述）

扩散模型（Diffusion Model）原理概述扩散模型（Diffusion Model）是一种生成模型，受热力学中扩散过程的启发，通过模拟数据从噪声中逐步去噪的过程来生成样本。其核心思想是渐进式地添加噪声（正向过程）和逐步去噪（反向过程）。在正向过程中，逐步向数据中添加高斯噪声，最终将数据转化为纯噪声；在反向过程中，学习如何从噪声中逐步去噪，恢复出原始数据分布。

音视频牛哥

计算机视觉的新浪潮：扩散模型（Diffusion Models）技术剖析与应用前景近年来，扩散模型（Diffusion Models, DMs）迅速崛起，成为计算机视觉领域最令人瞩目的生成模型之一。从生成高质量图像到风格迁移、图像修复，再到文本驱动图像生成（如 DALL·E 2、Stable Diffusion、Midjourney），扩散模型正以惊人的速度改变着视觉内容生成的格局。

Seedance：字节发布视频生成基础模型新SOTA，能力全面提升Seedance 1.0 是由字节跳动推出的高性能视频生成基础模型，旨在突破当前视频生成模型在指令遵循、运动合理性与视觉质量平衡方面的瓶颈。该模型通过多源数据整合与精准视频字幕生成，实现了跨多样化场景的全面学习；采用高效的架构设计，支持多镜头生成以及文本到视频和图像到视频任务的联合学习；通过细粒度监督微调和多维度奖励机制的强化学习，显著提升了模型性能；并借助多阶段蒸馏策略和系统级优化，实现了 10 倍的推理加速。

论文阅读笔记——FLOW MATCHING FOR GENERATIVE MODELINGFlow Matching 论文扩散模型：根据中心极限定理，对原始图像不断加高斯噪声，最终将原始信号破坏为近似的标准正态分布。这其中每一步都构造为条件高斯分布，形成离散的马尔科夫链。再通过逐步去噪得到原始图像。 Flow matching 采取直接将已知分布（如白噪声）转换为真实数据分布来生成数据，并且 Flow 是基于 Normalizing Flow，故而是可微双射。生成过程中变化的概率密度构成一个集合，称为概率密度路径 p t p_t pt ，T 为路径长度。初始数据 x 0 ∼ p 0 ( x

论文阅读笔记——PixArt-α，PixArt-δPixArt-α 论文仅使用 28400 美元，28M 训练数据，训练时长为 SD 1.5 的 10.8%，只有 0.6B 参数量，达到接近商业应用的水准。现有数据集存在的缺陷：图文匹配偏差、描述信息不完整、词汇多样性不足（长尾效应显著）、低质量数据。为了实现低成本训练，华为采用了三阶段的训练策略：第一个阶段是学习像素依赖关系，简单来说是先学习生成真实的图像，这里是用ImageNet数据集训练一个基于类别的条件扩散模型；然后是学习文本和图像的对齐，即学习文本作为条件下的图像生成，这里的一个关键是采用

ACE-Step：扩散自编码文生音乐基座模型快速了解ACE-Step 是一款由 ACE Studio 和 StepFun 开发的新型开源音乐生成基础模型。它通过整合基于扩散的生成方式、Sana 的深度压缩自编码器（DCAE）以及轻量级线性变换器，在音乐生成速度、音乐连贯性和可控性等方面达到前所未有的高度，成功克服了现有方法的关键局限性。

基于电子等排体的3D分子生成模型 ShEPhERD - 评测ShEPhERD 是一个由 MIT 开发的一个 3D 相互作用感知的 ligand-based的分子生成模型，以 arXiv 预印本的形式发表于 2024 年，被ICLR2025 会议接收。文章链接：https://openreview.net/pdf?id=KSLkFYHlYg

【图像生成之21】融合了Transformer与Diffusion，Meta新作Transfusion实现图像与语言大一统论文：Transfusion: Predict the Next Token and Diffuse Images with One Multi-Modal Model

论文阅读笔记——RDT-1B: A DIFFUSION FOUNDATION MODEL FOR BIMANUAL MANIPULATIONRDT-1B 论文模型表达与泛化能力：由于双臂操作中动作空间维度是单臂空间的两倍，传统方法难以建模其多模态分布。数据：双臂数据少且不同机器人的物理结构和动作空间差异（如关节数、运动范围）导致数据分布不一致，直接合并训练可能引发负迁移（negative transfer）。