Tag · 5 篇
单步扩散
驯服生成式扩散模型用于任务导向红外成像
Taming Generative Diffusion Model for Task-Oriented Infrared Imaging
把扩散模型的多步采样压缩成单步、并用动态时间步估计对齐潜变量轨迹，这一思路可直接迁移到其他退化严重、需要物理约束的低层复原任务（如低光、去雾、医学成像）；同时用任务感知低秩适配把复原模型快速接到下游语义任务，是「复原+下游」联合设计的可复用范式。
面向可控真实世界图像超分辨率的单步扩散 Transformer
One-Step Diffusion Transformer for Controllable Real-World Image Super-Resolution
把 Qwen-Image 这类大规模扩散 Transformer 改造成单步 Real-ISR 的骨干，用双视觉流（可调噪声 + 一致噪声）在一步内同时保住保真度与提示词可控性，可直接迁移到其他单步复原/翻译式复原任务（去噪、去模糊、老照片修复）并复用其 FAA 训练策略。
网格蒸馏：基于结构化生成网格的组合式图像蒸馏
Grid Distillation: Compositional Image Distillation via Structured Generative Grids
把数据集蒸馏的合成样本组织成高分辨率组合网格、再降采样并用 Stable Diffusion Turbo 单步重建细节，这套「网格布局 + 扩散先验补全」思路可迁移到任何需要把大量图像压缩成少量可训练样本的场景（如快速架构搜索、隐私受限数据发布）。
ELITE：通过学习式初始化与测试时生成自适应从单目视频高效构建高斯头部化身
ELITE: Efficient Gaussian Head Avatar from a Monocular Video via Learned Initialization and Test-time Generative Adaptation
用前馈 Mesh2Gaussian 先验模型快速初始化高斯头部化身，再用渲染引导的单步扩散增强器在测试时补全细节，为单目视频化身合成提供了「3D 先验初始化 + 2D 生成微调」的高效范式，可直接迁移到其他可动画高斯化身或人体重建任务。
DiT-IC：面向高效图像压缩的对齐扩散 Transformer
DiT-IC: Aligned Diffusion Transformer for Efficient Image Compression
把多步文本到图像 DiT 通过自蒸馏对齐与方差引导重建流改造成单步、32 倍下采样潜空间中的重建器，为视觉研究者提供了一个可复用的思路：用预训练扩散先验做极低分辨率潜空间的高效解码，可迁移到超分、修复等图像复原任务。