Tag · 3 篇

少样本生成

Uni-DAD: Unified Distillation and Adaptation of Diffusion Models for Few-step Few-shot Image Generation

把扩散蒸馏与域适配合并成单阶段训练：用双域分布匹配蒸馏（源教师+目标教师）保住源域多样性，再用多头GAN损失在少样本下稳定训练，可直接用于少样本域适配与主体驱动个性化，在少于4步采样下逼近两阶段流程的质量。

One-to-More: High-Fidelity Training-Free Anomaly Generation with Attention Control

提出基于自注意力嫁接的免训练少样本异常生成方法，通过操纵三个并行扩散过程并引入异常掩码与双注意力增强，为视觉中数据稀缺场景的生成式数据增强提供了可复用的注意力控制思路。

Few-shot Acoustic Synthesis with Multimodal Flow Matching

把流匹配 + 扩散 Transformer 用于以稀疏多模态场景线索（空间、几何、声学）为条件的概率化生成，其条件融合与少样本泛化思路可迁移到视觉中的跨模态条件生成任务；AGREE 这种联合嵌入做几何一致性检索评测的做法，也可借鉴到视觉生成结果的分布级评测。