Tag · 8 篇
一步生成
WaDi：权重方向感知蒸馏用于一步图像合成
WaDi: Weight Direction-aware Distillation for One-step Image Synthesis
把蒸馏中权重变化拆成方向与范数两部分，并用可学习低秩旋转矩阵建模方向变化，这一思路可直接迁移到任意扩散/流匹配模型的一步或少步蒸馏，也可作为参数高效微调适配器复用。
时间均衡平均流：弥合一步生成的尺度差距
Temporal Equilibrium MeanFlow: Bridging the Scale Gap for One-Step Generation
TEMF 通过时间均衡加权和动态边界调度器解决了 MeanFlow 在一步生成中的时间尺度不平衡问题，使一步生成达到 SOTA FID，为视觉生成任务提供了无需改变架构的稳定训练策略。
TUDSR：用于更高超分辨率的两次上采样扩散
TUDSR: Twice Upsampling-Diffusion for Higher Super-Resolution
提出两阶段上采样扩散框架，通过循环分块训练策略在有限资源下实现高分辨率（2048²）图像超分，可复用于其他需要突破模型原生分辨率限制的生成任务。
稳定平均流：受李雅普诺夫启发的一步流匹配
Stable Mean Flow: Lyapunov-Inspired One-Step Flow Matching
为一步流匹配生成器提供一个可即插即用的稳定性正则项，约束单步传输映射的局部非扩张性，从而抑制轨迹漂移并加速收敛；做少步/一步图像生成的研究者可直接把该正则加入训练损失以提升样本质量。
学习直线流：面向高效生成的变分流匹配
Learning Straight Flows: Variational Flow Matching for Efficient Generation
把变分潜变量作为「生成全局概览」注入流匹配，显式约束轨迹笔直，为视觉生成模型提供可复用的一步采样训练范式，可直接替换扩散/流匹配的采样器设计。
改进的 MeanFlow：论快进生成模型的挑战
Improved Mean Flows: On the Challenges of Fastforward Generative Models
把 MeanFlow 的训练目标改写为对瞬时速度 v 的回归（网络仍预测平均速度 u），并把引导尺度作为显式条件变量做 in-context 条件化，使一步生成模型在测试时可自由调节引导强度；做少步/一步扩散或流匹配采样的人可直接复用这一目标重参数化与条件化引导设计。
希尔伯特空间中的函数均值流
Functional Mean Flow in Hilbert Space
把一步式 Mean Flow 推广到无穷维希尔伯特空间，并给出 x_1-prediction 形式提升稳定性；对视觉研究者而言，这提供了一条在函数空间做一步流匹配采样的通用路径，可直接用于图像、3D 几何等连续域数据的少步生成。
通过判别性文本表征将一步图像生成从类别标签扩展到文本
Extending One-Step Image Generation from Class Labels to Text via Discriminative Text Representation
把 MeanFlow 这类一步/少步生成框架的条件从类别标签扩展到文本时，关键不是换更强的文本编码器，而是要求文本特征具备足够高的判别性；做少步蒸馏或一步采样时可直接借鉴这一「条件表征判别性」诊断与适配思路。