Tag · 284 篇
扩散模型
ZeroIDIR：基于扰动一致性扩散模型的零参考光照退化图像复原
ZeroIDIR: Zero-Reference Illumination Degradation Image Restoration with Perturbed Consistency Diffusion Models
提出零参考扩散框架，将复原解耦为自适应光照校正与扩散重建，并引入扰动一致性损失，为无监督低光照增强与去噪提供可复用方案。
你的潜变量掩码是错的：面向扩散模型的像素等价潜变量合成
Your Latent Mask is Wrong: Pixel-Equivalent Latent Compositing for Diffusion Models
把「潜空间合成应当等价于像素空间合成」作为设计准则，用一个轻量 Transformer 预测逐通道混合权重与离流形残差修正，使扩散模型在 8 倍压缩的 VAE 潜变量上也能实现全分辨率掩码与软边缘 alpha 合成；做图像修复、局部编辑或任何需要掩码融合的扩散流程时，可直接替换线性潜变量插值这一环节，且无需微调骨干网络。
WorldGen：从文本到可漫游、可交互的三维世界
WorldGen: From Text to Traversable and Interactive 3D Worlds
把「图像生成器提供外观先验 + 图像到3D模型做整体重建 + 逐实体高分辨率重生成」串成一条可复用的场景生成流水线，对做文本驱动3D场景生成和可导航场景重建的人，提供了一个绕开场景不完整/不一致问题的分解-重生成范式。
当漂亮不再有用：探究现代文本到图像模型为何无法作为可靠的训练数据生成器
When Pretty Isn't Useful: Investigating Why Modern Text-to-Image Models Fail as Reliable Training Data Generators
对做合成数据训练、数据增强或生成式数据引擎的视觉研究者，这篇论文提示：T2I 模型的视觉保真度与提示词遵循度提升并不等于训练数据可用性提升，需在数据生成流程中显式度量生成分布的多样性与对真实分布的覆盖度，而非只看 FID 或人工观感。
当局部规则产生全局秩序：面向潜扩散模型的自组织表征学习
When Local Rules Create Global Order: Self-Organized Representation Learning for Latent Diffusion Models
为潜扩散模型提供了一种通过局部吸引与排斥机制自组织形成兼具局部平滑与全局分散潜空间的方法，可提升重建与生成质量，对设计更好的潜空间正则化有直接启发。
成为噪声是什么体验？一种面向扩散模型的基于熵的高斯噪声正则化
What Is It Like to Be a Noise? An Entropy-based Gaussian Noise Regularization for Diffusion Models
为扩散模型潜变量的推理时优化提供一个可单样本计算的「高斯性」正则项，可直接插入现有 latent optimization / 引导式编辑流程，缓解伪影与奖励黑客问题。
WeMMU：通过噪声查询令牌增强视觉语言模型与扩散模型的桥接
WeMMU: Enhanced Bridging of Vision-Language Models and Diffusion Models via Noisy Query Tokens
用带噪声的可学习查询令牌作为 VLM 与扩散模型之间的分布式接口，并配一条 VAE 线性投影支路补回细节，可直接用于构建视觉生成式多模态助手，缓解固定查询令牌在跨任务时的泛化崩溃。
WaTeRFlow：通过流一致性实现水印的时序鲁棒性
WaTeRFlow: Watermark Temporal Robustness via Flow Consistency
针对图像到视频（I2V）生成后水印检测失效的问题，提出用光流对齐加时序一致性损失来稳定逐帧水印预测，并借助视频扩散代理模型在训练中模拟真实失真；做生成内容溯源或水印鲁棒性评测的视觉研究者可直接复用这套训练与评测设定。
面向无人机目标检测的视觉原型条件化焦点区域生成
Visual Prototype Conditioned Focal Region Generation for UAV-Based Object Detection
用类别视觉原型作为扩散模型的条件嵌入，替代纯布局框条件，可缓解小目标边界伪影；配套的焦点区域增强与标签精炼流程可直接用于任何检测器的合成数据增广。
视觉扩散模型是几何求解器
Visual Diffusion Models are Geometric Solvers
把几何/组合优化问题实例渲染成图像，用标准视觉扩散模型从高斯噪声直接生成近似解，为视觉研究者提供「以图像生成为通用求解器」的范式，可迁移到布局、路径规划等需要输出结构化几何配置的任务。
VideoMaMa：基于生成先验的掩码引导视频抠图
VideoMaMa: Mask-Guided Video Matting via Generative Prior
利用预训练视频扩散模型的生成先验，将粗分割掩码细化为像素级 alpha matte，并构建大规模伪标签视频抠图数据集，为视频抠图提供可扩展的监督信号。
视频即答案：用联合 GRPO 预测并生成下一个视频事件
Video-as-Answer: Predict and Generate Next Video Event with Joint-GRPO
提出 Joint-GRPO 强化学习框架，将视觉语言模型与视频扩散模型联合优化，使 VLM 生成利于可视化的描述，VDM 生成与描述和视觉上下文一致的视频，为多模态推理与生成一体化提供可复用范式。
通过可平移 RGB-A 分布学习器生成稳定透明度的视频
Video Generation with Stable Transparency via Shiftable RGB-A Distribution Learner
通过可平移的 RGB-A 分布学习，在 VAE 训练中引入透明度感知的双向扩散损失，并在噪声空间平移采样均值与高斯椭圆掩码，为透明视频生成提供稳定且可控的扩散采样策略。
ViHOI：借助视觉先验的人体-物体交互合成
ViHOI: Human-Object Interaction Synthesis with Visual Priors
把大视觉语言模型的多层特征经 Q-Former 适配器压缩成先验 token，作为扩散生成 3D 人体-物体交互运动的条件；视觉研究者可复用这套「VLM 特征→紧凑先验→条件生成」的跨模态条件注入范式，并用文生图合成参考图提升对未见物体的泛化。
VOSR：一种仅视觉的生成式图像超分辨率模型
VOSR: A Vision-Only Generative Model for Image Super-Resolution
提出仅用视觉编码器注入语义、无需文本先验的扩散超分框架，并采用改进的 shortcut 模型实现单步推理，为低层视觉任务摆脱多模态预训练依赖提供了可复用的训练与加速方案。
面向扩散式人体网格恢复的 VLM 引导组偏好对齐
VLM-Guided Group Preference Alignment for Diffusion-based Human Mesh Recovery
把 VLM 驱动的自反思评审智能体产出的细粒度质量分数，转成组间偏好数据用于微调扩散式 HMR，可直接迁移到其他一对多歧义的三维/生成任务（如姿态、深度、新视角合成）做偏好对齐后训练。
VLIC：以视觉语言模型作为感知裁判实现人类对齐的图像压缩
VLIC: Vision-Language Models As Perceptual Judges for Human-Aligned Image Compression
把 VLM 的零样本二选一判断直接当作奖励信号，用偏好后训练（如 DPO/奖励加权）微调扩散式图像压缩器，替代传统在心理物理数据上标定的可微感知损失网络；这套「VLM 当裁判」的奖励设计与训练细节可迁移到超分、去噪、增强等任何需要人眼对齐的复原任务。
VDOT：通过最优传输蒸馏实现高效统一视频创作
VDOT: Efficient Unified Video Creation via Optimal Transport Distillation
将最优传输距离引入分布匹配蒸馏，替代KL散度以缓解少步生成中的梯度崩溃问题，为扩散模型加速提供可复用的训练目标设计。
V-RGBX：对内在属性进行精确控制的视频编辑
V-RGBX: Video Editing with Accurate Controls over Intrinsic Properties
把视频逆渲染得到的内在通道（albedo/normal/material/irradiance）当作可编辑的中间表示，用交错条件机制在关键帧上做物理合理的编辑传播，为可控视频生成提供了「先分解再编辑」的可复用范式。
释放隐蔽后门大流行：感染单个扩散模型
Unleashing Stealthy Backdoor Pandemic by Infecting a Single Diffusion Model
揭示使用第三方扩散模型生成合成数据训练下游模型时，后门可跨模型传播的供应链风险；其提出的四项测试可作为评估视觉模型后门鲁棒性的新基准。
UniPercept：面向通用视觉感知的统一扩散模型
UniPercept: A Unified Diffusion Model for Generalizable Visual Perception
提出基于扩散模型的基础-适配器范式，用共享DiT骨干学习跨任务通用视觉表征，仅需少量样本和参数即可适配新任务，为视觉感知提供可复用的预训练-微调框架。
UniDef：抵御未授权图像篡改的通用防御
UniDef: Universal Defense Against Unauthorized Image Manipulation
把「保护图像不被扩散编辑」从逐步局部扰动升级为全局去噪方向扰动，并用有限差分雅可比估计替代模型相关梯度，做视觉研究者可将其作为模型无关对抗扰动的通用构造手段，用于跨模型、跨编辑任务的保护与红队评估。
基于浅层编码器的超低码率感知图像压缩
Ultra-Low Bitrate Perceptual Image Compression with Shallow Encoder
用浅层编码器加单步扩散解码器做非对称极低码率压缩，为边缘设备上的图像传输提供了可复用的「轻编码、重解码」范式，其中双侧特征蒸馏可迁移到其他编码器轻量化场景。
Ultra Diffusion Poser：基于扩散模型从稀疏惯性传感器与测距传感器间距离进行人体运动跟踪
Ultra Diffusion Poser: Diffusion-Based Human Motion Tracking from Sparse Inertial Sensors and Ranging-based Between-sensor Distances
把 UWB 测距的传感器间距离从「额外输入特征」升级为可解析重建 3D 传感器布局的几何约束，并用扩散采样期的 guidance 强制预测姿态与实测距离对齐——这套「解析几何重建 + 采样期约束引导」思路可迁移到任何带物理距离/结构约束的稀疏传感或稀疏视角姿态重建任务。
U4D：面向激光雷达序列的不确定性感知 4D 世界建模
U4D: Uncertainty-Aware 4D World Modeling from LiDAR Sequences
用预训练分割模型输出的空间不确定性图来引导扩散生成，先重建高熵难区再补全其余区域，并配 MoST 块融合时空表征——这套「不确定性引导的由难到易生成」可直接迁移到点云/占据栅格/视频等任何需要时序一致性的生成式世界模型。
过渡模型：重新思考生成学习目标
Transition Models: Rethinking the Generative Learning Objective
TiM 提出了一种精确的连续时间动力学方程，可解析定义任意有限时间间隔的状态转移，使生成模型能在单步跳跃与多步细化之间无缝切换，并随采样步数增加单调提升质量。这对视觉生成研究意味着可以设计更灵活的采样策略，在少步与多步生成间取得平衡，同时支持高达 4096x4096 的原生分辨率生成。
迈向叙事动画：人体与相机运动的联合合成
Towards Storytelling Animations: Joint Synthesis of Human and Camera Motions
把相机与角色视为同等实体、在扩散过程中显式建模两两交互的思路，可直接迁移到需要联合控制相机与动态主体的视频生成或虚拟摄影任务中；其真实+合成混合数据训练策略也值得借鉴。
面向车道线检测的隐蔽有效后门攻击：一种自然化数据投毒方法
Towards Stealthy and Effective Backdoor Attacks on Lane Detection: A Naturalistic Data Poisoning Approach
用扩散模型在易受攻击区域合成自然化后门触发器，并配合梯度热图定位最优注入位置，为视觉模型后门攻防研究提供了可复用的触发器生成与位置搜索范式。
基于扩散框架实现照片级真实且高效的散景渲染
Towards Photorealistic and Efficient Bokeh Rendering via Diffusion Framework
将散景渲染与超分辨率统一进单个扩散框架，并用焦点感知掩码注意力与退化感知深度模块处理低分辨率真实图像，为手机端计算摄影中「先复原再渲染」的两阶段流水线提供了一体化替代方案。
面向开放词表工业缺陷理解的大规模多模态数据集
Towards Open-Vocabulary Industrial Defect Understanding with a Large-Scale Multimodal Dataset
提供了一个百万级图文对齐的工业缺陷数据集，可用于训练和评测视觉语言基础模型在缺陷分类、分割、检索、描述生成上的开放词表能力；其从零训练扩散式视觉语言基础模型、再用不到 5% 任务数据轻量微调即达到专家模型水平的范式，对做领域自适应和少样本迁移的视觉研究者有直接参考价值。
TouchDream：通过想象触觉实现三维物体补全
TouchDream: 3D Object Completion through Imagined Touch
把触觉传感当作可生成的模态：以粗点云和采样接触位姿为条件，用扩散模型生成紧凑的触觉潜变量，再将其反投影到 3D 空间来优化几何，为点云补全提供了一条不依赖视觉线索、可复用的细节引导思路。
TokenTrace：通过水印令牌恢复实现多概念归因
TokenTrace: Multi-Concept Attribution through Watermarked Token Recovery
提出一种在扩散模型生成过程中嵌入语义水印的主动防御框架，通过同时扰动文本提示词嵌入和初始潜变量噪声，并设计基于查询的TokenTrace模块，实现从单张生成图像中解耦并独立验证多个概念（如物体和风格）的归属，为生成内容的版权追溯和概念级归因提供了可复用的技术方案。
时间感知单步扩散网络用于真实世界图像超分辨率
Time-Aware One Step Diffusion Network for Real-World Image Super-Resolution
提出时间感知的VAE编码器和时间感知VSD损失，使单步扩散超分能根据时间步动态调整潜变量特征，从而更充分利用预训练SD在不同时间步的生成先验，并实现保真度与真实感的可控权衡。
热扩散至关重要：基于热传导先验的红外时空视频超分辨率
Thermal Diffusion Matters: Infrared Spatial-Temporal Video Super-Resolution through Heat Conduction Priors
把热扩散/热传导方程当作视频超分中时序插帧与时空一致性的物理先验，并用频域扩散合成中间帧、用可学习谱滤波的选择性状态空间模型做时空精修，这套「物理方程约束 + 频域扩散 + SSM」的组合可迁移到其他低采样率视频复原任务。
TherA：热感知视觉语言提示用于可控 RGB 到热红外翻译
TherA: Thermal-Aware Visual-Language Prompting for Controllable RGB-to-Thermal Infrared Translation
TherA 将视觉语言模型（VLM）作为条件编码器，把用户提示的场景-物体条件对映射为热感知嵌入，再驱动潜扩散模型实现可控的 RGB 到热红外翻译；这种“VLM 编码条件 + 扩散解码”的范式可复用到其他需要物理属性感知的跨模态图像翻译任务（如 RGB 到近红外、深度、事件相机）。
通用正态嵌入
The Universal Normal Embedding
把 DDIM 反演得到的扩散噪声当作可线性探测的语义潜变量，用线性探针与正交化方向实现无需改架构的可控属性编辑；这为视觉研究者提供了一条把生成噪声与 CLIP/DINO 嵌入对齐、复用于编辑与表征分析的具体路径。
漂移核：为何扩散模型即使被要求不变也会改变输出
The Drift Kernel: Why Diffusion Models Change Even When Told Not To
该论文提出的漂移核 K_M(σ) 为量化扩散模型在空操作下的感知偏差提供了理论工具，其与解码器雅可比矩阵的关联（k_M = Tr(J_D J_D^T)）可指导视觉研究者设计更稳定的解码器或评估编辑保真度。
魔鬼藏在注意力共享中：通过注意力协同提升复杂非刚性图像编辑的保真度
The Devil is in Attention Sharing: Improving Complex Non-rigid Image Editing Faithfulness via Attention Synergy
针对扩散模型注意力共享中位置嵌入与语义特征失衡导致的注意力坍缩问题，提出按去噪步量化编辑幅度并动态调制位置嵌入影响的注意力协同流程，可直接复用于免训练编辑中保真度与编辑强度的平衡控制。
基于手语数据的文本驱动三维手部动作生成
Text-Driven 3D Hand Motion Generation from Sign Language Data
把手语视频的伪标注通过 LLM 转成细粒度手部动作文本描述，从而以极大规模自动构建「3D 手部动作-文本」配对，并用文本条件扩散模型生成手部运动；对做人体/手部动作生成、手语理解与文本到运动的研究者，这套数据构造与跨域评测设定可直接复用。
测试时实例特定参数组合：自适应生成建模的新范式
Test-Time Instance-Specific Parameter Composition: A New Paradigm for Adaptive Generative Modeling
在推理前一次性生成输入条件化的权重增量并注入预训练生成模型，为视觉生成模型提供免微调的逐样本自适应手段，可直接用于轻量化/量化扩散模型的质量补偿与测试时扩展。
TempoControl：面向文本到视频模型的时序注意力引导
TempoControl: Temporal Attention Guidance for Text-to-Video Models
利用文本到视频扩散模型中的交叉注意力图作为可优化的控制信号，在推理阶段对概念出现的时间位置进行对齐，无需重训练；这一思路可迁移到任何基于交叉注意力的可控生成任务（如空间布局控制、视频编辑中的时序一致性约束）。
Talk2Move：基于强化学习的场景中文本指令物体级几何变换
Talk2Move: Reinforcement Learning for Text-Instructed Object-Level Geometric Transformation in Scenes
将强化学习（GRPO）与扩散模型结合，通过设计物体级空间奖励（位移、旋转、缩放）实现文本指令驱动的物体几何变换，为可控图像编辑提供了一种无需配对监督的优化范式。
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。
TAlignDiff：基于扩散变换学习的自动牙齿对齐
TAlignDiff: Automatic Tooth Alignment assisted by Diffusion-based Transformation Learning
将扩散模型用于学习变换矩阵的潜分布，并与点云回归网络双向反馈，为点云配准/对齐任务提供了一种结合几何约束与生成式先验的新范式。
SynthRGB-T：面向多样性合成的语言-视觉引导图像翻译
SynthRGB-T: Language-Vision Guided Image Translation for Diversity Synthesis
把红外↔可见光图像翻译建模为视觉语言引导的去噪扩散过程，并用解耦注入策略与双条件交叉注意力处理多路引导冲突，可直接复用于跨模态数据增广与开放世界条件生成。
SwitchCraft：基于注意力控制的免训练多事件视频生成
SwitchCraft: Training-Free Multi-Event Video Generation with Attention Controls
EAQS 通过按事件对齐帧级注意力来引导提示词注入，ABSS 自适应调节引导强度，这套免训练的注意力操控思路可直接迁移到任何 DiT 类视频扩散模型上，用于解决多阶段叙事、镜头切换等时序可控生成问题。
StyleGallery：面向任意图像参考的免训练且语义感知的个性化风格迁移
StyleGallery: Training-free and Semantic-aware Personalized Style Transfer from Arbitrary Image References
用潜扩散特征做自适应聚类得到语义区域，再以块过滤匹配和区域风格损失引导扩散采样，为免训练风格迁移提供了可复用的区域级对齐与能量函数优化范式。
StyleDoctor：面向以风格为中心的生成任务的专家奖励模型
StyleDoctor: Towards Specialist Reward Model for Style-centric Generation Tasks
为风格化扩散生成提供可复用的风格感知奖励模型，可直接接入 RLHF/奖励微调流程，替代通用人类偏好奖励模型来提升风格一致性与文图对齐。
结构到强度扩散的恶劣天气激光雷达生成
Structure-to-Intensity Diffusion for Adverse-Weather LiDAR Generation
把扩散去噪过程按「先几何结构、后反射强度」显式分解，并用真实传感器统计做天气退化仿真，可直接用于扩充恶劣天气下的激光雷达训练数据，也可作为点云生成中解耦几何与辐射属性的可复用范式。
用于快速红外与可见光视频融合的流式扩散模型
Streaming Diffusion Model for Fast Infrared and Visible Video Fusion
将预训练扩散模型的生成先验蒸馏到单步采样框架，并用记忆增强的潜变量管道与时序聚合适配器保证视频帧间一致性，为视频复原/融合任务提供高效且时序稳定的扩散方案。
Splatent：泼溅扩散潜变量用于新视角合成
Splatent: Splatting Diffusion Latents for Novel View Synthesis
在 VAE 潜空间做 3DGS 新视角合成时，不必在 3D 空间里补细节，而是用多视角注意力从输入视角的 2D 特征中恢复高频细节，从而在不微调 VAE、不依赖扩散模型幻觉的前提下提升重建保真度；这一思路可直接迁移到任何潜空间辐射场或前馈式稀疏视角重建管线。
SpiralDiff：面向跨相机 RGB-to-RAW 转换的螺旋扩散与 LoRA
SpiralDiff: Spiral Diffusion with LoRA for RGB-to-RAW Conversion Across Cameras
把信号相关的噪声加权引入扩散采样过程，并按相机插入轻量 LoRA 分支，为「一个模型适配多台相机 ISP」提供了可复用的条件化与加权思路，可直接迁移到去噪、低光照增强等跨设备复原任务。
SpatialDiff：通过隐式空间建模实现三维感知的物体移动
SpatialDiff: 3D-Aware Object Movement via Implicit Spatial Modeling
把隐式三维空间先验注入扩散编辑模型，并用全局空间监督约束潜变量，为在复杂遮挡与跨深度场景下做一致的对象移动提供可复用思路。
空间-光谱残差引导的扩散神经算子用于全色锐化
Spatial-Spectral Residuals Informed Diffusion Neural Operator for Pan-sharpening
用Galerkin型神经算子替代注意力去噪骨干网络，在扩散逆过程中显式注入像素级空间-光谱残差作为闭环引导，为图像融合与复原任务提供了一种兼顾效率与保真度的扩散采样框架。
Soul：为数字人注入生命，实现高保真长期多模态动画
Soul: Breathe Life into Digital Human for High-fidelity Long-term Multimodal Animation
提出基于Wan2.2-5B骨干的多模态驱动数字人动画框架，通过音频注入层和阈值感知码本替换实现长期一致性，并利用步数/CFG蒸馏与轻量VAE实现11.4倍推理加速，为视频生成中的长时一致性和效率优化提供可复用方案。
平滑分数函数以增强扩散模型的泛化能力
Smoothing the Score Function to Enhance Generalization in Diffusion Models
为扩散模型提供了一套解释记忆化（memorization）的理论框架，并给出两种可直接插入训练流程的改进手段——噪声去条件化（Noise Unconditioning）与温度平滑（Temperature Smoothing），可用于缓解采样崩溃、提升生成泛化性，对做扩散模型训练与采样的人可直接复用。
SmokeSVD：基于扩散模型渐进式新视角合成与细化的单视图烟雾重建
SmokeSVD: Smoke Reconstruction from A Single View via Progressive Novel View Synthesis and Refinement with Diffusion Models
利用扩散模型生成物理约束下的侧视图，缓解单视图重建的不适定性，并通过渐进式多阶段新视角合成与可微平流优化重建动态烟雾的密度与速度场，为稀疏视角动态流体重建提供了可复用的生成式先验与优化框架。
SkyReels-Text：面向海报设计的细粒度字体可控文本编辑
SkyReels-Text: Fine-Grained Font-Controllable Text Editing for Poster Design
提出无需字体标签和测试时微调的字形条件注入机制，可复用于任意字体风格迁移与文本区域编辑任务，为可控生成中的细粒度风格控制提供新思路。
基于单步扩散与语义时序引导的视频编码
Single-step Diffusion-based Video Coding with Semantic-Temporal Guidance
将单步扩散生成器与条件编码框架结合，利用缓冲特征提取帧自适应语义引导替代文本条件，并通过时序一致性引导增强帧间连贯性，为低码率视频压缩提供高效高感知质量的方案。
相似性一致似然扩散实现从墙壁反射的隐藏人物检测
Similarity-Consistent Likelihood Diffusion enables Hidden Person Detection from Wall Reflections
将异方差伪似然融入确定性DDIM采样，并通过退火贝叶斯精度更新与扩散先验融合，为逆问题提供可复现且测量一致的生成式重建方案，可迁移到其他欠定视觉重建任务。
ShowTable：通过协同反思与精炼解锁创意表格可视化
ShowTable: Unlocking Creative Table Visualization with Collaborative Reflection and Refinement
把 MLLM 当作规划与错误评判的编排器、扩散模型当作执行器，通过渐进式自纠正循环把结构化数据映射为高保真信息图，这一「推理-生成-纠错」闭环可迁移到任何需要精确数据到视觉映射的条件生成任务。
Sensor2Sensor：面向自动驾驶的跨具身传感器转换
Sensor2Sensor: Cross-Embodiment Sensor Conversion for Autonomous Driving
用4D高斯泼溅把真实自动驾驶日志反向渲染成行车记录仪风格视频，从而构造配对数据，再用扩散模型完成单目视频到多视角相机加激光雷达的跨模态生成；这套「先合成配对数据、再做跨传感器转换」的流程，可直接复用于缺失模态补全与多传感器数据增广。
面向动态时空融合的语义自适应扩散框架
Semantic-Adaptive Diffusion for Dynamic Spatiotemporal Fusion
把扩散模型当作多源卫星图像的条件生成器，用 Taylor 式解码器解耦低分辨率与高频分量来约束解空间，并配合时序特征对齐与语义自适应融合，在统一潜变量空间中做时空超分融合；这套「解耦约束 + 潜空间对齐」的思路可迁移到视频超分、多帧复原等需要跨帧细节补全的视觉任务。
语义导数流：用于可控实例交互的图引导扩散
Semantic Derivative Flow: Graph-Guided Diffusion for Controllable Instance Interactions
将实例间的交互关系建模为有向无环图，并通过导数注意力机制强制谓词表征由主语派生、宾语由谓词派生，为可控生成中「多实例交互」这一难点提供了可复用的结构化条件注入思路。
面向统一零样本图像复原的自监督动态异质退化建模
Self-supervised Dynamic Heterogeneous Degradation Modeling for Unified Zero-Shot Image Restoration
把异质退化重参数化为少量物理一致的参数，并在潜空间中直接优化该分布，为统一零样本复原提供了一种紧凑的退化提示词构造方式；其动态质量精炼策略可迁移到其他扩散采样轨迹的自适应调整中。
SegQuant：面向扩散模型的语义感知可泛化量化框架
SegQuant: A Semantics-Aware and Generalizable Quantization Framework for Diffusion Models
对做扩散模型落地的人，SegQuant 提供了一套免训练、免数据的 PTQ 流程：用图分割把线性层按结构语义分组再定量化粒度，并用双路径硬件原生计算处理极性不对称激活，可直接套到自己的扩散骨干上压缩显存与延迟。
尺度空间扩散
Scale Space Diffusion
把扩散时间步与尺度空间低通滤波对应起来，用下采样作为广义线性退化，让高噪声阶段只在低分辨率上做去噪，可直接用于降低高分辨率扩散采样的计算量，并提供了一种按信息量分配网络深度的设计思路。
说茄子！通过自然语言编辑生成细节保持的人像集合
Say Cheese! Detail-Preserving Portrait Collection Generation via Natural Language Edits
提出基于自然语言指令的人像集合生成任务，并设计自适应特征融合与 ConsistencyNet 来在复杂编辑下保持身份与细节一致性，为可控人像编辑提供了可复用的数据构建流程与一致性保持模块。
面向扩散模型的采样感知量化
Sampling-Aware Quantization for Diffusion Models
针对扩散模型在低延迟场景下的部署，提出采样感知量化策略，通过混合阶轨迹对齐约束每步采样误差，使量化后的模型仍能保持高阶采样器的快速收敛特性，为视觉生成模型的端侧加速提供可复用方案。
SPREAD：通过几何感知扩散实现空间-物理推理
SPREAD: Spatial-Physical REasoning via geometry Aware Diffusion
以带位姿的场景点云作为几何条件、用图 Transformer 联合建模空间与物理关系，并通过可微碰撞/重力/关系约束引导扩散采样，这套「几何感知条件 + 可微物理引导」的组合可直接迁移到具身智能的仿真场景合成与 3D 场景布局生成任务。
SDUIE：基于定量-文本双重控制的半监督扩散水下图像增强
SDUIE: Semi-Supervised Diffusion for Underwater Image Enhancement with Quant-Text Dual Control
提出一种基于低秩适配权重合并的连续数值控制扩散模型，以及通过语义提示对齐实现文本引导增强的方法，可复用于其他需要细粒度可控的图像复原任务。
SD-FSMIS：适配 Stable Diffusion 实现少样本医学图像分割
SD-FSMIS: Adapting Stable Diffusion for Few-Shot Medical Image Segmentation
把预训练 Stable Diffusion 的条件生成架构改造成少样本分割器：用 Support-Query Interaction 注入支持集特征、用 Visual-to-Textual Condition Translator 把视觉提示转成隐式文本嵌入作为生成条件，为视觉研究者提供了一条「复用生成模型先验做密集预测」的可迁移路径。
S2D：面向极少输入三维重建的稀疏到稠密提升
S2D: Sparse to Dense Lifting for 3D Reconstruction with Minimal Inputs
用一步扩散模型修复稀疏点云渲染伪影，再以随机采样丢弃和加权梯度策略拟合3DGS，为极少输入视图下的高质量重建提供了可复用的两阶段提升思路。
重新思考位置嵌入：作为多参考与多镜头视频生成的上下文控制器
Rethinking Position Embedding as a Context Controller for Multi-Reference and Multi-Shot Video Generation
将位置编码作为额外的上下文控制信号，在语义检索之外实现 token 级精确匹配，可缓解多参考图像外观高度相似时的参考混淆问题，为多参考、多镜头视频生成中的角色一致性控制提供可复用思路。
重新审视基于扩散模型的视频超分辨率：利用对齐特征提供稠密引导
Rethinking Diffusion Model-Based Video Super-Resolution: Leveraging Dense Guidance from Aligned Features
论文指出在特征域而非像素域做相邻帧信息补偿更有效，并给出「上采样分辨率下做warp更能保留高频但收益非单调」的实证结论；做视频复原/时序条件扩散的人可直接复用其光流引导warp模块与特征级时序条件注入方式，替代常见的像素域对齐+拼接。
残差连接损害生成式表征学习
Residual Connections Harm Generative Representation Learning
对 MAE、扩散模型等生成式表征学习框架，把残差恒等捷径的权重随深度单调衰减，可显著提升线性探测精度与生成质量；做自监督预训练或扩散骨干网络时，这是一个几乎零成本、可直接替换的架构改动。
复用三维生成模型进行自回归布局生成
Repurposing 3D Generative Model for Autoregressive Layout Generation
把预训练 3D 扩散模型改造为自回归布局生成器，并用双引导自 rollout 蒸馏提升空间精度与推理效率，为 3D 场景合成提供了一条可复用的「生成模型复用 + 蒸馏加速」路线。
重打光视频人像协调
Relightful Video Portrait Harmonization
提出基于视频扩散模型的重打光协调框架，利用去闪烁模型稳定逐帧协调结果以生成训练数据，并用非对称 alpha 掩码条件学习干净边界，可复用于视频编辑中的时序一致性与边界处理。
RegionRoute：基于扩散模型的区域风格迁移
RegionRoute: Regional Style Transfer with Diffusion Model
通过将风格 token 的注意力分数与物体掩码对齐，实现无需推理时掩码的局部风格迁移；其注意力监督思路（KL 聚焦损失 + BCE 覆盖损失）可迁移到任何需要空间约束的扩散编辑任务，如局部重绘、属性编辑与个性化生成。
基于联合潜扩散的单图反射分离
Reflection Separation from a Single Image via Joint Latent Diffusion
把预训练扩散模型的生成先验显式微调用于单图反射分离，并用跨层自注意力与分离式采样在扩散过程中解耦透射层与反射层；对做图像复原的人，这是一套可直接迁移到其他「多成分叠加图像分解」任务的扩散采样与潜变量优化框架。
通过投毒知识库对检索增强扩散模型进行红队测试
Red-teaming Retrieval-Augmented Diffusion Models via Poisoning Knowledge Bases
针对检索增强扩散模型的黑盒后门攻击方法，通过知识库投毒和多目标优化学习触发器，可启发视觉研究者评估检索增强生成系统的安全性，并设计防御机制。
矫正潜空间以实现生成式单图像反射去除
Rectifying Latent Space for Generative Single-Image Reflection Removal
将编辑用途的潜扩散模型改造为图像复原工具，核心思路是通过反射等变VAE对齐潜空间与反射形成的线性物理过程，并用可学习任务特定文本嵌入和深度引导早分支采样提升生成质量，为利用生成模型解决高度病态逆问题提供了可复用的潜空间结构化方法。
RecEdit-Drive：面向自动驾驶场景的3D重建引导时空视频编辑
RecEdit-Drive: 3D Reconstruction-Guided Spatiotemporal Video Editing for Autonomous Driving Scenes
利用3D重建得到的背景结构作为扩散去噪早期的参考，并通过空间特征变形约束动态前景物体的编辑，为视频编辑中保持动态3D对象时空一致性提供了可复用的思路。
ReCoFuse：基于复原式多模态扩散互耦的超鲁棒图像融合
ReCoFuse: Ultra-Robust Image Fusion via Restorative Multi-Modal Diffusion Reciprocal Coupling
把扩散采样过程当作多模态复原先验的载体，在每个采样时间步插入跨模态整合模块并把聚合变量回灌到各复原分支，这种「复原-融合互促」的耦合结构可直接迁移到多传感器融合、低质图像增强等需要同时去退化与信息整合的任务。
RawMetaDiff：利用元数据引导扩散从双曝光RAW中解锁极端黑暗
RawMetaDiff: Unlocking Extreme Darkness from Dual-Exposure RAW with Meta-Guided Diffusion
利用RAW元数据引导扩散模型进行跨曝光对齐和颜色校正，为极端低光照图像复原提供可复用的生成式框架，其元数据辅助的颜色迁移和跨注意力机制可迁移到其他多帧融合任务。
RISE：基于单一静态雷达的室内场景理解
RISE: Single Static Radar-based Indoor Scene Understanding
利用多径反射作为几何线索，通过双角度建模恢复不可见结构，并用扩散框架将稀疏雷达信号转化为完整布局与目标检测，为隐私保护下的室内三维感知提供了新思路。
RFDM：用于视频编辑的残差流扩散模型
RFDM: Residual Flow Diffusion Models for Video Editing
把 2D 图生图扩散模型改造成因果逐帧的视频编辑器，用 t-1 步预测作为条件、并让前向过程预测相邻帧残差，从而以图像级算力处理任意长度视频；这套「残差流 + 自回归条件」思路可直接迁移到其他需要变长、低算力的视频生成/编辑任务。
RDF-MIG：一种用于掩码图像生成的鲁棒扩散框架，以增强语义分割和变化检测
RDF-MIG: A Robust Diffusion Framework for Masked Image Generation to Augment Semantic Segmentation and Change Detection
提出一种鲁棒的扩散框架，通过生成双时相变化标注和单时相分割标注的多光谱图像-掩码对来增强下游变化检测和语义分割任务；其MCRD损失和MSE一致性校准可缓解噪声累积问题，可复用于其他需要生成高质量图像-掩码对的视觉任务。
RAVEN：通过新视角合成擦除不可见水印
RAVEN: Erasing Invisible Watermarks via Novel View Synthesis
把水印去除重新表述为潜空间中的视角变换问题，并借助视角引导的对应注意力保持结构一致；这为研究水印鲁棒性提供了新的攻击范式，也提示视觉研究者：语义保持的几何变换是评估生成内容溯源方案时必须纳入的威胁模型。
属性引导的扩散式文本到微结构生成
Property-Informed Diffusion-Based Text-to-Microstructure Generation
把文本中的语义与物理属性作为联合条件注入扩散模型，并用对比对齐加测试时奖励引导保证生成结果与提示一致，这套「属性条件 + 双重对齐」思路可直接迁移到视觉中的条件生成与可控合成任务。
PropFly：借助预训练视频扩散模型的在线监督学习传播
PropFly: Learning to Propagate via On-the-Fly Supervision from Pre-trained Video Diffusion Models
利用预训练视频扩散模型在不同 CFG 尺度下的一步干净潜变量估计，在线构造源/编辑潜变量对，从而免去成对视频编辑数据集；这一在线监督思路可直接迁移到其他需要成对数据的视频编辑或可控生成任务中。
PromptEnhancer：通过细粒度奖励优化重写器以提升文本到图像生成
PromptEnhancer: Taming Your Rewriter for Text-to-Image Generation via Fine-Grained Reward
提出可插拔的提示词重写框架，通过监督微调与基于细粒度奖励模型的强化学习优化重写器，可提升任意预训练T2I模型对复杂提示词的遵循能力，为改善文生图对齐提供通用后处理方案。
面向路侧激光雷达场景补全的概率差异学习
Probabilistic Discrepancy Learning for Roadside LiDAR Scene Completion
用扩散模型在概率位姿校正后做全场景点云补全，并设计区域/全局采样差异损失，可迁移到固定视角遮挡下的点云补全与多模态融合感知。
Pressure2Motion：文本引导下基于地面压力的分层人体运动重建
Pressure2Motion: Hierarchical Human Motion Reconstruction from Ground Pressure with Text Guidance
把地面压力垫当作无摄像头、保护隐私的人体运动捕捉信号，用文本提示词消解压力到全身运动的不确定性；其分层扩散框架（先粗轨迹后细姿态）与双级压力特征提取器可迁移到其他欠定模态（如触觉、雷达）驱动的人体姿态估计。
基于自适应目标感知注意力的精确物体与效果移除
Precise Object and Effect Removal with Adaptive Target-Aware Attention
自适应目标感知注意力把前景移除与背景重建解耦，并用学到的注意力图做推理期融合；做扩散图像修复/擦除时可直接借鉴这种解耦式注意力设计与注意力引导融合策略，避免背景被改写。
Polyphony：基于扩散与交替视觉Transformer及语义条件的双手动作分割
Polyphony: Diffusion-based Dual-Hand Action Segmentation with Alternating Vision Transformer and Semantic Conditioning
针对双手动作分割中的梯度失衡与语义混淆问题，提出交替训练双手机制与语义特征条件化，可迁移到其他多流/多主体视频时序建模任务中，缓解主导流垄断梯度的问题。
物理引导的多步形变反演用于古代竹简复原
Physics-Guided Multistep Deformation Reversal for Ancient Bamboo Slip Restoration
把扩散模型的"预测噪声"换成"预测物理反演位移场"，并用木材纤维微结构与应力扩散耦合构造可计算的正向形变模型——这套"物理正向模拟+逐步反演"的思路可直接迁移到其他非刚性形变复原任务（褶皱文档、弯曲织物、软体形变）。
物理一致的扩散模型：通过多尺度残差校正实现高效流体超分辨率
Physics-Consistent Diffusion for Efficient Fluid Super-Resolution via Multiscale Residual Correction
把多网格残差校正与多小波多尺度基嵌入扩散逆向过程，可在少步采样下保持谱保真并抑制伪散度，这一思路可迁移到其他受物理方程约束的图像复原任务（如PIV/流场重建、遥感反演）中作为采样加速与物理一致性约束的通用插件。
PhyOceanCast：基于物理信息扩散模型的全球海洋预报
PhyOceanCast: Global Ocean Forecasting with Physics-Informed Diffusion
将扩散模型与球面图注意力、小波时序模块结合，用于全球海洋多变量时空预测，其物理约束和球面拓扑保持思路可迁移到其他地球科学或视频预测任务。
Photo3D：通过结构对齐的细节增强推进照片级真实感三维生成
Photo3D: Advancing Photorealistic 3D Generation through Structure-Aligned Detail Enhancement
用 GPT-4o-Image 生成的多视图图像作为真实细节先验，通过结构对齐的多视图合成管线与感知特征适配、语义结构匹配，把细节注入 3D-native 生成器的几何之上；对做 3D 生成的人，这是一套可直接挂到现有几何生成器后面的纹理/外观增强方案，并给出了耦合与解耦两种范式的训练策略。
带隐私保证的扩散模型个性化联邦训练
Personalized Federated Training of Diffusion Models with Privacy Guarantees
为在去中心化私有数据上训练扩散模型提供了带逐客户端差分隐私保证的联邦个性化方案，可直接迁移到视觉场景中多源私有图像（如医疗、人脸）的协同生成建模，并给出了条件生成在 GMM 下的效用界作为分析工具。
PersonaLive！面向直播的富有表现力肖像图像动画
PersonaLive! Expressive Portrait Image Animation for Live Streaming
面向实时流媒体场景，用少步外观蒸馏压缩去噪步数、用自回归微块流式生成加滑动训练与历史关键帧机制保证长时稳定，这套「蒸馏提速 + 分块流式」组合可直接迁移到其他需要低延迟长视频生成的扩散模型上。
PatchScene：面向大规模场景补全的基于块体素扩散模型
PatchScene: Patch-based Voxel Diffusion Model for Large-Scale Scene Completion
把大场景拆成局部 3D patch 分别做体素扩散再融合，配合按激光雷达径向密度设计的 Annular-Flow 采样，为稀疏点云的大范围补全提供了可扩展的生成式方案；其 patch 重叠融合与跨帧时序聚合思路可直接迁移到其他基于扩散的 3D 补全/生成任务。
ParaUni：以强化学习驱动的层级并行信息交互增强统一多模态模型的生成能力
ParaUni: Enhance Generation in Unified Multimodal Model with Reinforcement-driven Hierarchical Parallel Information Interaction
把 VLM 各层特征并行抽取后经 Layer Integration Module 融合，作为扩散生成的条件信号，并用 RL 的层级动态调整机制对不同层施加不同奖励；做 VLM-conditioned 生成或想把多层语义注入扩散骨干的工作可直接复用这套并行条件注入与分层奖励设计。
Pantheon360：通过3D感知360度视频扩散驯服数字孪生生成
Pantheon360: Taming Digital Twin Generation via 3D-Aware 360deg Video Diffusion
利用360度全景视频生成和显式3D缓存作为几何脚手架，实现可控相机路径下的高保真、几何一致的场景生成，为数字孪生和仿真提供新思路。
PS-SR：基于投机扩散的伪单步视频超分辨率
PS-SR: Pseudo-Single-Step Video Super-Resolution via Speculative Diffusion
把「单步扩散 + 轻量草稿模型投机式精修」的非对称采样流程用于视频超分，并用频域更新规则把精修限制在高频注入上，为少步扩散复原提供了一条兼顾速度与细节的可复用思路。
PR-IQA：面向扩散式新视角合成的部分参考图像质量评估
PR-IQA: Partial-Reference Image Quality Assessment for Diffusion-Based Novel View Synthesis
提出部分参考图像质量评估（PR-IQA），用不同位姿的参考图在重叠区域计算几何一致的质量图，再通过交叉注意力补全为全图质量图；可直接用于筛选扩散生成伪真值视图中的高置信区域，为扩散增强的3DGS等重建流程提供免真值的监督掩码。
PHAC：可提示的人体非模态补全
PHAC: Promptable Human Amodal Completion
将点级提示（关节、边界框）经 ControlNet 注入预训练扩散模型，并仅微调交叉注意力块以保持生成先验，这一「轻量适配 + 多类型提示编码」范式可直接迁移到其他需要用户精细控制的条件生成任务。
PECCVAI：克服 AI 图像水印在视觉转述攻击下的脆弱性
PECCVAI: Overcoming the Brittleness of AI Image Watermarking Under Visual Paraphrasing Attacks
提出视觉转述攻击（caption→扩散模型重生成）可同时移除可见与不可见水印，并给出基于非融化点（NMP）与多通道频域编码的鲁棒水印方案 PECCAVI，为生成内容溯源与版权保护提供可复用的攻防基准。
PAMotion：面向多物体全身交互的物理感知动作生成
PAMotion: Physics-Aware Motion Generation for Full-Body Interaction with Multiple Objects
把「物体加速度与接触状态的一致性」做成可微的物理感知损失，并采用由粗到细的分阶段条件生成（先躯干与物体平移、再手部与物体旋转），这套思路可直接迁移到任何需要物理合理性的扩散式人体/物体联合运动生成任务。
PAD-Hand：面向手部运动恢复的物理感知扩散模型
PAD-Hand: Physics-Aware Diffusion for Hand Motion Recovery
把欧拉-拉格朗日动力学残差当作虚拟观测，接入条件扩散模型来精修手部姿态序列，并用最后一层拉普拉斯近似给出逐关节、逐帧的物理一致性方差；做手部或人体运动捕捉时，可直接复用这套「物理残差+不确定性」的后处理精修思路。
面向逆问题的离群点鲁棒扩散求解器
Outlier-Robust Diffusion Solvers for Inverse Problems
把 Huber 型迭代重加权最小二乘与共轭梯度求解嵌入扩散逆问题采样，为测量含离群点（如去噪、超分、修复中的坏像素/遮挡）时提供可直接替换的鲁棒求解器。
OrionEdit：连接参考图像与源图像以实现泛化的跨图像编辑
OrionEdit: Bridging Reference and Source Images for Generalized Cross-Image Editing
把「参考图→源图」的跨图像编辑形式化为可控生成任务，并用对称正交子空间解耦加反向因果注意力掩码约束潜变量单向依赖，这套解耦与信息流掩码思路可直接迁移到多条件控制、个性化生成与风格迁移中，用来抑制参考信息泄漏到不该改的区域。
顺序很重要：从序列化 VR 草图生成三维形状
Order Matters: 3D Shape Generation from Sequential VR Sketches
把笔画时序作为条件信号注入草图编码器，再驱动扩散式三维生成器，为「手绘/交互输入→三维内容」这类任务提供了可复用的顺序感知编码思路与合成数据自动生成管线。
OpenDance：基于大规模互联网数据的多模态可控 3D 舞蹈生成
OpenDance: Multimodal Controllable 3D Dance Generation with Large-scale Internet Data
提出统一的掩码建模框架，通过解耦自编码器与多模态联合预测 Transformer，实现音乐、文本、关键点、轨迹任意组合条件下的 3D 舞蹈生成，为多条件可控人体运动生成提供了可复用的架构与大规模数据集。
OntoAug：以本体引导重新审视生成式数据增强
OntoAug: Rethinking Generative Data Augmentation via Ontology Guidance
把前景掩码与多样化背景提示注入扩散采样过程，实现主体一致、上下文多样的可控合成数据；这套「结构化布局控制 + 提示解耦」思路可直接迁移到任何需要扩充训练集的识别任务，并可作为 WSOL 与 LVLM 推理的增强手段。
一对多：基于注意力控制的高保真免训练异常生成
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。
One-to-All Animation：免对齐的角色动画与图像姿态迁移
One-to-All Animation: Alignment-Free Character Animation and Image Pose Transfer
把参考图与目标姿态的空间错位问题重构成自监督外绘任务，并用混合参考融合注意力处理变分辨率与动态序列长度，这套思路可直接迁移到任意参考布局下的可控视频生成与身份保持任务。
Omni2Sound：迈向统一的视频-文本到音频生成
Omni2Sound: Towards Unified Video-Text-to-Audio Generation
提出三阶段多任务渐进训练调度，将视频到音频与文本到音频的跨任务竞争转化为联合优化，并缓解VT2A任务中的模态偏置；该调度策略可迁移到其他多模态条件扩散生成任务（如视频配音、音效生成）中平衡异构条件。
全监督运动编辑：通过正负学习平衡变化与不变性
Omni-Supervised Motion Editing: Balancing Change and Invariance through Positive-Negative Learning
论文提出的正负学习统一监督范式（回顾式特征监督 + 基于源-目标相似度的运动保持 + 三元组语义对齐）可直接迁移到图像/视频编辑扩散模型中，用于缓解编辑时目标区域改动不足与未编辑区域被破坏之间的权衡。
基于频域去噪先验的遮挡人体运动捕捉
Occluded Human Body Capture with Frequency Domain Denoising Prior
把遮挡下的单目人体运动捕捉转化为小波系数选择问题，用频域扩散模型学习长期周期性与动量先验来修正被遮挡 2D 关键点的概率分布，这一「频域去噪先验」思路可迁移到其他存在长期缺失观测的时序视觉任务（如遮挡跟踪、时序姿态补全）。
OMGTex：无需几何引导的单阶段多风格人脸纹理重建
OMGTex: One-stage Multi-style Facial Texture Reconstruction without Geometry Guidance
把「2D 人脸图像→可编辑 UV 纹理」做成无几何先验的单阶段扩散流程，并用推理时梯度引导修正 UV 错位，这对做人脸重建/纹理生成的人提供了一个绕开 3DMM 拟合误差、且支持区域级语义编辑的替代方案。
无法窃取我的面容：针对身份保持个性化生成的主动防御
No Way To Steal My Face: Proactive Defense Against Identity-Preserving Personalized Generation
针对身份保持的个性化生成（如数字头像、虚拟试衣）中的隐私泄露问题，提出一种模型无关的主动防御框架，通过对抗扰动同时破坏身份特征提取和注入两个阶段，可推广到基于训练和无训练的个人化方法。
文本到图像扩散模型中的邻域感知局部概念擦除
Neighbor-Aware Localized Concept Erasure in Text-to-Image Diffusion Models
提供一种免训练的三阶段概念擦除流程：频谱加权嵌入调制 + 注意力引导空间门控 + 空间门控硬擦除，可直接用于扩散模型的安全对齐与细粒度类别保真，避免擦除时误伤语义近邻概念。
NanoSD：面向实时图像复原的边缘高效基础模型
NanoSD: Edge Efficient Foundation Model for Real Time Image Restoration
NanoSD 通过联合压缩 U-Net 和 VAE 编码器-解码器，在保持生成先验的同时实现边缘设备实时推理，为视觉任务提供可即插即用的轻量扩散基础模型，并揭示了参数减少与硬件效率不直接相关的设计原则。
NEC-Diff：面向极端黑暗运动场景的噪声鲁棒事件-RAW 互补扩散模型
NEC-Diff: Noise-Robust Event-RAW Complementary Diffusion for Seeing Motion in Extreme Darkness
对做低光照成像与事件相机融合的研究者，这篇提供了两个可复用思路：用 RAW 的线性光响应与事件亮度变化构造物理约束做双模态去噪，以及基于去噪结果动态估计两模态 SNR 来引导自适应特征融合并注入扩散采样过程。
NEAF：面向文本引导图像编辑中可泛化测试时优化的注意力融合自然图像编辑方法
NEAF: Natural Image Editing with Attention Fusion for Generalizable Test-time Optimization in Text-Guided Image Editing
提出可学习的 XA-Conductor 模块，在推理时对源分支、编辑分支与重建分支的交叉注意力图做自适应加权融合，无需微调即可用于任意 T2I 模型；做文本引导编辑、需要保持非编辑区域保真度的工作可直接复用这一三支反馈的注意力融合机制。
Mocap-2-to-3：基于2D预训练的多视图提升单目运动恢复
Mocap-2-to-3: Multi-view Lifting for Monocular Motion Recovery with 2D Pretraining
把单目人体运动恢复重构为多视图合成问题，先在大量2D数据上预训练单视图扩散模型、再在3D数据上做多视图微调，这一「2D预训练+多视图几何约束」的范式可直接迁移到其他需要从单目输入恢复度量尺度3D结构的任务。
Mobile-VTON：高保真端侧虚拟试衣
Mobile-VTON: High-Fidelity On-Device Virtual Try-On
论文提出的 Feature-Guided Adversarial 蒸馏策略与潜变量拼接式轻量跨模态条件注入，为在移动端部署扩散类生成模型提供了可复用的压缩与条件控制方案；做端侧图像生成或可控生成的研究者可借鉴其教师-学生蒸馏与轨迹一致性损失的设计。
混合风格专家用于多样图像风格化
Mixture of Style Experts for Diverse Image Stylization
将混合专家（MoE）架构引入扩散风格化，通过相似度感知门控动态路由风格到专门专家，可复用于其他需要多风格控制的生成任务，提升语义和材质细节保持能力。
状态混合：面向多模态生成的路由式 token 级动态
Mixture of States: Routing Token-Level Dynamics for Multimodal Generation
把跨模态融合从固定结构改为 token 级、随去噪时间步变化的可学习稀疏路由，可直接迁移到任何多模态扩散骨干（如 DiT）中替换固定的 cross-attention 融合层，在几乎不增加参数与算力的情况下提升文生图/编辑质量。
MixFlow 训练：以减速插值混合缓解暴露偏差
MixFlow Training: Alleviating Exposure Bias with Slowed Interpolation Mixture
针对扩散模型训练-测试不一致（暴露偏差）问题，提出用「减速时间步」上的真实插值混合来后训练预测网络，可直接套用到 SiT、REPA、RAE 等扩散/流匹配骨干上，在 ImageNet 256/512 上把 FID 压到 1.1 左右，是提升现有生成模型采样质量的即插即用后训练手段。
缓解基于扩散的数据集蒸馏中的分布偏移
Mitigating The Distribution Shift of Diffusion-based Dataset Distillation
对做数据集蒸馏或需要合成小规模训练集的人，这篇给出了两个可直接复用的手段：在扩散训练时加 L1 稀疏正则让模型学紧凑流形，以及在采样时对整个合成集同步去噪并加分布正则，替代逐样本顺序采样。
MatchMask：面向标签稀缺语义分割的以掩码为中心的生成式数据增强
MatchMask: Mask-Centric Generative Data Augmentation for Label-Scarce Semantic Segmentation
提出梯度探针方法分析扩散模型各层作用，并设计轻量LoRA风格适配器与层自适应交叉注意力融合，实现少样本语义图像合成，可直接用于标签稀缺下的分割数据增强。
MatSpray：将二维材质世界知识融合到三维几何
MatSpray: Fusing 2D Material World Knowledge on 3D Geometry
将2D扩散模型预测的PBR材质图（albedo/roughness/metallic）通过优化或高斯光线追踪投影融合到3D高斯几何上，并引入轻量神经精炼网络提升多视角一致性与细节，为可重光照的3D重建提供可复用流程。
MatMart：基于扩散模型的 3D 物体材质重建
MatMart: Material Reconstruction of 3D Objects via Diffusion
把扩散模型用于 3D 物体的 PBR 材质重建，其视图-材质交叉注意力（VMCA）与渐进式推理让模型能接受任意数量输入视图，并借助生成先验补全未观测视角的材质，可直接迁移到逆渲染、重光照与资产重建流程。
MatE：基于几何先验的单图像材质提取
MatE: Material Extraction from Single-Image via Geometric Prior
用估计深度图作为几何先验做粗矫正，再用双分支扩散模型把单张图转成可平铺的PBR材质贴图集（albedo/normal/roughness/height），其旋转与尺度对齐训练数据带来的等变性思路可迁移到其他需要消除透视与光照干扰的逆渲染任务。
面向3D医学视觉表征学习的掩码扩散自编码器
Masked-Diffusion Autoencoders for 3D Medical Vision Representation Learning
把「空间掩码 + 扩散加噪」两种破坏叠加成统一的时间条件去噪目标，让同一网络同时学结构重建与纹理去噪；做3D医学（或任何低标注3D体数据）自监督预训练时，可直接借用这套双破坏预训练范式替代单一MAE或对比学习。
MaskDiME：面向精确高效视觉反事实解释的自适应掩码扩散
MaskDiME: Adaptive Masked Diffusion for Precise and Efficient Visual Counterfactual Explanations
把扩散采样限制在决策相关区域、以掩码引导的局部采样实现免训练反事实生成，为视觉研究者提供一种可复用的思路：用扩散先验做模型行为归因，且推理开销比基线低一个数量级以上。
MapRoute：通过语义路由实现精确概念擦除的映射器
MapRoute:Precise-Concept Erasing Mappers via Semantic Routing
在冻结的文本编码器之后插入轻量线性映射模块（Mappers），依据文本嵌入与目标概念嵌入的余弦相似度动态激活 top-K 模块，为扩散模型的概念擦除提供了一种免全模型微调、可插拔的干预手段，可直接复用于个性化生成中的敏感概念抑制与版权合规。
让免训练扩散分割器随生成能力扩展
Making Training-Free Diffusion Segmentors Scale with the Generative Power
针对免训练扩散分割器中交叉注意力图与全局语义不一致、文本token分数不平衡的问题，提出自动聚合与逐像素重缩放两种技术，使分割性能随生成模型能力提升而提升，为利用更强扩散模型做判别任务提供了可复用方案。
MagicFuse：用于视觉与语义增强的单图像融合
MagicFuse: Single Image Fusion for Visual and Semantic Reinforcement
利用扩散模型从单张退化可见光图像生成跨光谱场景表示，通过融合两个扩散分支的噪声实现知识级融合，为单模态输入下的多模态融合提供了新思路。
MLLMSplat：一个由2D多模态大语言模型驱动的3D高斯泼溅理解、生成与编辑框架
MLLMSplat: A 2D MLLM-Powered Framework for 3D Gaussian Splatting Understanding, Generation, and Editing
将2D多模态大语言模型（MLLM）通过3DGS分词器和去分词器适配到3D高斯泼溅场景，实现无需训练的3DGS理解、高质量生成和高效编辑，为3D场景的跨模态处理提供了新范式。
M3DLayout：面向三维生成的多源三维室内布局与结构化描述数据集
M3DLayout: A Multi-Source Dataset of 3D Indoor Layouts and Structured Descriptions for 3D Generation
为文本驱动的三维场景生成提供布局层面的中间表示与大规模多源训练数据，可直接用于训练或评测文本条件扩散/自回归布局生成模型，并支撑语义可控编辑与物理合理性约束。
LumiX：结构化且连贯的文本到本征图生成
LumiX: Structured and Coherent Text-to-Intrinsic Generation
Query-Broadcast Attention 让所有本征图共享同一组 query，从而在联合扩散采样中保持跨图结构一致；Tensor LoRA 用张量化低秩适配建模跨图关系，可作为多输出联合生成任务中参数高效训练与一致性的通用手段。
低秩残差扩散模型
Low-Rank Residual Diffusion Models
把扩散过程约束在低秩残差子空间里，并让前向低秩、反向满秩，这种非对称扩散设计可直接迁移到去雨、去模糊等近域复原任务，用来降低采样不确定性并保住结构细节。
通过局部一致性扩散学习学习权重生成
Learning to Learn Weight Generation via Local Consistency Diffusion
把扩散模型用于直接生成网络权重，并用局部一致性约束把局部目标权重的监督信号纳入训练，为视觉模型在迁移、少样本、域泛化场景下的快速权重更新提供了一条可复用的元学习式生成思路。
学习潜变量代理实现可控单图重光照
Learning Latent Proxies for Controllable Single-Image Relighting
用少量 PBR 监督训练一个少样本潜变量代理编码器，把稀疏材质-几何线索注入扩散去噪器，并用光照感知掩码只引导对光照敏感的像素；这套「稀疏物理先验 + 掩码引导」的思路可直接迁移到阴影编辑、材质编辑等需要物理可控性的图像生成任务。
学习层级双曲混合模型用于部件感知三维生成
Learning Hierarchical Hyperbolic Mixture Model for Part-aware 3D Generation
把部件层级语义嵌入双曲流形并用测地线扩散生成，配合黎曼高阶求解器加速扩散 ODE，可为需要层级结构先验的 3D 生成/重建提供可复用的表征与采样方案。
可学习性引导的扩散用于数据集蒸馏
Learnability-Guided Diffusion for Dataset Distillation
提出可学习性引导的扩散生成框架，通过课程式增量合成数据减少冗余，可复用于任何需要高效训练数据合成的视觉任务，如图像分类、目标检测的数据压缩。
语言引导的单步扩散模型用于夜间眩光去除
Language-Guided One-Step Diffusion Model for Nighttime Flare Removal
把视觉语言模型提取的细粒度文本语义作为条件注入单步扩散，并用语义感知分布蒸馏稳定一步采样，可迁移到其他强退化复原任务（如夜间去雨、去雾、镜头污渍去除）中，用语义先验约束被遮挡区域的生成。
从单个视觉示例出发的无语言生成式编辑
Language-Free Generative Editing from One Visual Example
提出从成对视觉示例中直接提取条件信号、无需文本与训练即可驱动扩散模型编辑的范式，其 condition-steering 机制与 inversion-correction 步骤可迁移到任何基于 DDIM 反演的编辑流程中，用于缓解反演重建误差并实现语言难以描述的变换（如雨、模糊）。
面向几何视角扩散模型的景观感知
Landscape-Awareness for Geometric View Diffusion Model
把 Zero123 类新视角扩散模型反用于相机位姿估计时，可用基于 score 的景观重塑（landscape reshaping）替代朴素 multi-start 采样，缓解对称/自相似导致的局部极小，从而提升收敛速度与样本效率；这一优化思路可直接迁移到任何以扩散先验做位姿/参数反演的视觉任务。
LaRP：基于潜在重投影先验的高效多视角图像修复
LaRP: Efficient Multi-View Inpainting with Latent Reprojection Priors
利用3D基础模型提供的显式跨视角对应关系作为扩散修复模型的条件，实现高效且3D一致的多视角图像修复，可复用于需要多视角一致性的生成任务。
LIFT 与 PLACE：一个简单、稳定且有效的轻量扩散模型知识蒸馏框架
LIFT and PLACE: A Simple, Stable, and Effective Knowledge Distillation Framework for Lightweight Diffusion Models
把教师扩散模型复杂的去噪轨迹拆成「粗对齐 + 精修」两阶段，并用按误差分组的分段局部自适应系数做空间非均匀引导，可直接用于把大 U-Net/DiT 扩散模型蒸馏到极小参数量学生模型（1.3M 参数仍收敛到 FID 15.73），是少步/轻量扩散部署的可复用训练配方。
L3DR：三维感知的激光雷达扩散与矫正
L3DR: 3D-aware LiDAR Diffusion and Rectification
针对基于距离视图的激光雷达扩散模型，提出在三维空间做点级残差回归来消除深度渗漏、波浪面等 RV 伪影，可作为即插即用后处理模块提升现有 LiDAR 生成模型的几何真实性，对自动驾驶仿真数据合成有直接价值。
为时未晚：面向已训练扩散模型坍塌恢复的噪声优化
It's Never Too Late: Noise Optimization for Collapse Recovery in Trained Diffusion Models
对已训练好的扩散模型，只需在采样阶段优化初始噪声（并考虑噪声的频率特性）就能缓解模式坍塌、提升生成多样性，无需重训或额外引导网络；做文生图多样性、少样本采样策略的人可以直接复用这一噪声优化目标。
Iris：将语言融入基于扩散的单目深度估计
Iris: Integrating Language into Diffusion-based Monocular Depth Estimation
把文本描述作为额外条件注入扩散式单目深度估计器（Marigold、Lotus、E2E-FT），可缩小深度解空间、提升小区域精度，并支持通过追加场景描述迭代细化深度；同时文本条件能加速训练收敛与推理扩散轨迹，是一种可直接复用的条件化与加速手段。
Iris：将真实世界先验引入扩散模型用于单目深度估计
Iris: Bringing Real-World Priors into Diffusion Model for Monocular Depth Estimation
把扩散模型的生成先验按频段拆开使用：低频用真实数据蒸馏、高频用合成真值约束，并通过高到低的时间步调度共享权重，这套「先验-几何」两阶段确定性采样思路可直接迁移到其他以扩散先验做稠密回归的视觉任务（如表面法向、光流）。
InvAD：基于反演的无重建扩散模型异常检测
InvAD: Inversion-based Reconstruction-Free Anomaly Detection with Diffusion Models
把扩散模型的 DDIM 反演当作无需重建的异常打分器：只需少量反演步把测试图加噪到潜变量，再用已知先验分布度量偏离度，可直接替换重建式 AD 中昂贵的多步去噪流程，兼顾精度与约两倍推理加速。
IntrinsicWeather：本征空间中的可控天气编辑
IntrinsicWeather: Controllable Weather Editing in Intrinsic Space
把天气编辑从像素空间搬到本征空间（材质/几何/光照图），用本征图作为中间表示提升可控性；其本征图感知注意力与 CLIP 空间天气提示词插值可直接迁移到其他条件图像编辑与逆渲染任务。
改进可控生成：通过 x0 监督实现更快训练与更优性能
Improving Controllable Generation: Faster Training and Better Performance via x0-Supervision
把可控扩散/流模型的训练目标从噪声预测损失换成对干净目标图的 x0 监督（或等价的损失重加权），可直接套用到 ControlNet 类布局控制、inpainting、参考图条件生成等训练流程中，在不改网络结构的前提下加速收敛并提升条件精度。
先想象后聚焦：扩散引导的寄存器增强部分相关视频检索
Imagine Before Concentration: Diffusion-Guided Registers Enhance Partially Relevant Video Retrieval
用文本监督的截断扩散模型从视频分布中生成全局语义寄存器，再经寄存器增强的高斯注意力与视频 token 融合，可作为跨模态检索中缓解局部噪声与查询歧义的通用特征增强模块。
以图导图：基于整流上下文示例引导的一致视频非模态补全
Image Guides Images: Consistent Video Amodal Completion with Rectified In-Context Exemplar Guidance
把预训练图像修复模型直接用于视频非模态补全，通过调制 DiT 全局注意力中示例与目标帧的相对权重来提升跨帧一致性，并用双帧校准的示例修正解决冷启动；这套免训练、示例引导的注意力整流思路可迁移到其他需要跨帧一致性的视频生成/编辑任务。
IP-Adapter 就够了：面向免微调扩散式说话人脸生成
IP-Adapter Is All You Need: Towards Fine-Tuning-Free Diffusion-Based Talking Face Generation
把 IP-Adapter 的视觉嵌入能力当作免微调的条件注入接口，配合无需训练参数的结构解耦与噪声先验抑制模块，为资源受限场景下的条件扩散生成提供了可复用的「冻结骨干+零参数控制」范式。
IMS3：打破基于扩散的数据集蒸馏中的分布聚合
IMS3: Breaking Distributional Aggregation in Diffusion-Based Dataset Distillation
该论文提出反演引导的微调与选择性采样，可提升扩散模型生成样本的判别性与多样性，对需要合成训练数据的视觉任务（如分类、检测）有直接参考价值。
IFCSR：面向单步扩散真实世界图像超分辨率的免推理保真度-真实感控制
IFCSR: Inference-Free Fidelity-Realism Control for One-Step Diffusion-based Real-World Image Super-Resolution
把保真度-真实感的可调控制从潜空间搬到图像空间，使一次推理后即可无额外推理地连续调节权衡，可直接复用于其他单步扩散复原任务（去噪、去模糊）的可控性设计。
基于深度完整性先验与细粒度图像块策略的高精度二值图像分割
High-Precision Dichotomous Image Segmentation via Depth Integrity-Prior and Fine-Grained Patch Strategy
把单目深度估计模型输出的伪深度当作「完整性先验」注入分割网络，用深度一致性损失约束分割结果，并用自适应图像块选择精修边界——这套思路可直接迁移到高分辨率抠图、显著目标检测等需要锐利边界的密集预测任务，且无需扩散模型即可逼近其精度。
基于身份约束人脸条件的高保真扩散人脸交换
High-Fidelity Diffusion Face Swapping with ID-Constrained Facial Conditioning
把身份条件与属性条件解耦注入、先保身份再微调属性对齐的两阶段条件控制思路，可直接迁移到任何人脸编辑/换脸扩散模型中，用于缓解多条件冲突；后训练阶段加入身份损失与对抗损失做精修的做法也可复用到其他身份保持生成任务。
面向解耦文本驱动运动生成的语义先验分层增强
Hierarchical Enhancement of Semantic Priors for Disentangled Text-Driven Motion Generation
把潜空间结构化为多个语义一致子流形（AG-VAE）的思路，可直接迁移到视觉扩散模型的潜空间解耦与可控生成；分层跨模态注意力与动态记忆融合也可用于文本到图像/视频的条件注入设计。
HiCoGen：基于强化学习的扩散模型分层组合式文本到图像生成
HiCoGen: Hierarchical Compositional Text-to-Image Generation in Diffusion Models via Reinforcement Learning
把复杂提示拆成最小语义单元、逐步合成并让每步图像作为下一步视觉上下文，再用分层奖励的强化学习优化采样；其中「将随机性集中在前段以最大化样本多样性」的衰减随机性调度可直接用于任何扩散采样的探索增强。
HandX：扩展双手运动与交互生成
HandX: Scaling Bimanual Motion and Interaction Generation
对手部精细动作与双手交互生成感兴趣的视觉研究者，可直接复用其解耦标注范式（先抽取接触事件、手指弯曲等运动特征，再用 LLM 生成语义描述）以及手部专用评测指标，用于构建条件运动生成的数据与评测流程。
HandDreamer：使用矫正性手形引导的零样本文本到 3D 手模型生成
HandDreamer: Zero-Shot Text to 3D Hand Model Generation using Corrective Hand Shape Guidance
针对 SDS 在关节物体上因文本概率地形多峰导致的视图不一致问题，提出用 MANO 初始化加手部骨架引导扩散提供结构先验，并设计矫正性手形引导损失把各视图拉回一致模态——这套「参数化模板先验 + 视图一致性正则」的思路可直接迁移到人体、动物等铰接物体的文本到 3D 生成。
HalluGen：合成逼真可控的幻觉以评估图像复原
HalluGen: Synthesizing Realistic and Controllable Hallucinations for Evaluating Image Restoration
HalluGen 提供了一种可控合成幻觉的扩散框架，可用于生成带有类型、位置和严重程度标注的幻觉数据，进而训练无参考幻觉检测器或评估图像质量指标；其提出的 SHAFE 指标利用特征和软注意力池化提升幻觉敏感性，对图像复原任务的可信度评估有直接借鉴意义。
HVG-3D：打通真实与仿真域的三维条件手物交互视频合成
HVG-3D: Bridging Real and Simulation Domains for 3D-Conditional Hand-Object Interaction Video Synthesis
将 3D ControlNet 接入扩散视频生成主干，用显式三维几何与运动线索替代 2D 控制信号，为视觉研究者提供了一条把仿真 3D 数据与真实单图结合、实现时空可控视频合成的可复用路径。
HSI-GPT2：面向人-场景交互的双粒度大运动推理模型与扩散精炼
HSI-GPT2: A Dual-Granularity Large Motion Reasoning Model with Diffusion Refinement for Human-Scene Interaction
提出双粒度运动分词器与扩散解码器，将LLM的深层语义转化为物理合理的人体运动，为3D场景中的人-场景交互生成提供了可复用的运动表示与解码方案。
HDW-SR：基于小波分解的高频引导扩散模型用于图像超分辨率
HDW-SR: High-Frequency Guided Diffusion Model based on Wavelet Decomposition for Image Super-Resolution
把扩散过程限制在残差图上、并用小波子带做稀疏交叉注意力提供高频显式引导，这套「频域分解 + 残差扩散」思路可直接迁移到去模糊、去噪、压缩伪影去除等其它复原任务的高频细节恢复。
HBridge：面向统一多模态理解与生成的异构专家 H 形桥接
HBridge: H-Shape Bridging of Heterogeneous Experts for Unified Multimodal Understanding and Generation
HBridge 的非对称 H 形桥接结构只在中层共享注意力、浅层与深层解耦，为视觉研究者提供了一种可复用的异构专家融合范式：在保留 LLM 与扩散模型各自预训练先验的同时降低跨模态注意力的共享开销，可直接迁移到需要同时做视觉理解与图像生成的统一模型中。
以对比信号引导基于扩散的重建以获得均衡的视觉表征
Guiding Diffusion-based Reconstruction with Contrastive Signals for Balanced Visual Representation
把对比信号注入以 CLIP 视觉 token 为条件的扩散重建过程，并用重建图像而非原图产生对比监督，从而在统一目标下同时提升判别性与细节感知能力；这一「重建+对比」联合优化思路可直接迁移到任何需要增强视觉编码器表征的 VLM 流程中。
以细粒度条件与语义保持采样引导扩散模型用于单样本联邦学习
Guiding Diffusion Models with Fine-Grained Conditions and Semantics-Preserving Sampling for One-Shot Federated Learning
把扩散模型当作客户端本地的数据生成器：用细粒度条件嵌入刻画类内模式、再对潜噪声分布建模并做自反思采样来提升合成数据的保真度与多样性，这套「条件嵌入+潜噪声分布采样」的组合可直接迁移到任何需要少量样本生成多样化训练数据的视觉场景（如小样本分类、长尾数据增广）。
GraspGen-X：跨本体的基于扩散的六自由度抓取
GraspGen-X: Cross-Embodiment 6-DOF Diffusion-based Grasping
把夹爪几何编码成扫掠体（swept-volume）条件注入扩散式 6-DOF 抓取生成模型，使同一模型可零样本迁移到未见过的夹爪形态；这套「以本体几何为条件」的思路可直接复用到视觉引导的抓取/操作策略中，也提供了 3.95 亿抓取规模的数据构造范式。
Glove2Hand：从多模态传感手套合成自然手物交互
Glove2Hand: Synthesizing Natural Hand-Object Interaction from Multi-Modal Sensing Gloves
用多模态传感手套（触觉+IMU）驱动3D高斯手模型，再经扩散式手部修复器渲染出无遮挡的裸手视频，为严重遮挡下的手部跟踪与接触力估计提供可复用的数据合成与监督信号来源。
GenieDrive：面向物理感知驾驶世界模型的4D占用引导视频生成
GenieDrive: Towards Physics-Aware Driving World Model with 4D Occupancy Guided Video Generation
将4D占用作为物理先验引导视频扩散生成，并设计潜变量三平面VAE压缩高分辨率占用，为自动驾驶世界模型提供可复用的物理感知生成框架。
基于3D点轨迹的生成式视频运动编辑
Generative Video Motion Editing with 3D Point Tracks
利用3D点轨迹作为稀疏对应关系来条件化视频扩散模型，实现相机与物体运动的联合编辑；3D轨迹提供的深度线索有助于解决遮挡和深度顺序问题，为视频运动编辑提供了可复用的控制信号。
生成扩散先验用于暗宇宙的三维映射
Generative Diffusion Priors for 3D Mapping of the Dark Universe
将扩散模型作为先验，结合可微物理前向模型进行后验采样，解决单视角、噪声观测下的三维重建问题；其plug-and-play后验采样方案可迁移到其他逆问题（如单视图三维重建、计算成像）。
GenTract：生成式全局纤维束追踪
GenTract: Generative Global Tractography
把纤维束追踪从逐步跟踪或全局优化重构为从 dMRI 到完整流线的条件生成问题，并用扩散模型与流匹配两种范式做对比；对视觉研究者而言，这是一个把生成模型用于结构化曲线/轨迹输出的可复用范式，可迁移到血管、道路等线状结构重建任务。
无需多模态注意力的门控条件注入：面向可控线性注意力 Transformer
Gated Condition Injection without Multimodal Attention: Towards Controllable Linear-Attention Transformers
用统一门控条件模块替代多模态注意力，在 SANA 等线性注意力骨干上注入空间对齐与非对齐条件，为端侧可控扩散生成提供可复用的条件注入范式。
GVIS：生成式矢量图像隐写
GVIS: Generative Vector Image Steganography
利用扩散模型生成的栅格图像经矢量化后，其贝塞尔控制点坐标可作为隐写载体；这种“生成-矢量化-差分提取”的免训练流程，为视觉研究者提供了一种把扩散采样过程当作确定性编码通道的思路，可迁移到水印、版权溯源与可控生成中的隐式信息注入。
GDPO-SR：面向单步生成式图像超分辨率的组直接偏好优化
GDPO-SR: Group Direct Preference Optimization for One-Step Generative Image Super-Resolution
将GRPO的组相对优势思想引入DPO，实现在线生成样本的偏好优化，并设计属性感知奖励函数动态评估局部细节，可复用于其他单步扩散复原任务（如去噪、去模糊）的微调。
从事件到清晰：事件引导的扩散框架用于去雾
From Events to Clarity: The Event-Guided Diffusion Framework for Dehazing
将事件相机的高动态范围（HDR）和微秒级延迟特性引入去雾任务，通过事件引导模块将稀疏事件特征映射到扩散潜变量空间，为生成过程提供精确的结构条件，缓解语义漂移。该思路可推广到其他低层视觉任务（如低光照增强、运动去模糊）中，利用事件相机弥补RGB帧动态范围不足的问题。
从二维对齐到三维合理性：统一异构二维先验与无穿模扩散实现遮挡鲁棒的双手重建
From 2D Alignment to 3D Plausibility: Unifying Heterogeneous 2D Priors and Penetration-Free Diffusion for Occlusion-Robust Two-Hand Reconstruction
把关键点、分割、深度等视觉基础模型先验以隐式融合编码器吸收，而非作为显式输入，可在不增加基础模型推理成本的前提下提升单目重建精度；同时用带碰撞梯度引导的扩散模型把互穿姿态映射到无碰撞流形，这一「生成式后处理」思路可迁移到人体/多人交互重建与姿态去穿模。
FrankenMotion：部位级人体动作生成与组合
FrankenMotion: Part-level Human Motion Generation and Composition
把生成过程按身体部位解耦、每个部位由独立时序文本提示驱动，这种「部位级条件注入 + 原子动作组合」的思路可迁移到细粒度可控的人体/手部/面部动作生成与编辑，也提示了用 LLM 自动构建细粒度时序标注的可行路径。
FoundIR-v2：为图像复原基础模型优化预训练数据配比
FoundIR-v2: Optimizing Pre-Training Data Mixtures for Image Restoration Foundation Model
把「不同复原任务的数据配比」当作可优化的变量，用数据混合律做动态调度，并用 MoE 调度器为每个任务分配任务自适应的扩散先验；做 all-in-one 复原或多任务联合训练时，可直接借鉴这套数据均衡调度与专家路由思路。
面向取证的图像编辑：通过可控潜在扩散实现
Forensic-Friendly Image Manipulation via Controllable Latent Diffusion
提出一种即插即用的可控去噪方法，在扩散编辑过程中通过正交投影和对抗优化使编辑区域与未编辑区域的特征差异最大化，从而在不影响视觉质量的前提下提升被动取证检测性能，为图像编辑与取证结合提供了新思路。
面向手语生成的语义一致引导焦点-全局扩散模型
Focal-General Diffusion Model with Semantic Consistent Guidance for Sign Language Production
两阶段去噪框架把局部关节级建模（自适应图卷积）与全局序列精修（Transformer）解耦，并用语义一致引导把文本语义监督注入扩散训练，这一「局部-全局分层去噪 + 语义引导」思路可迁移到人体姿态/动作序列生成等结构化输出任务。
FlowPalm：光流驱动的非刚性形变用于几何多样化的掌纹生成
FlowPalm: Optical Flow Driven Non-Rigid Deformation for Geometrically Diverse Palmprint Generation
利用光流估计真实掌纹对之间的非刚性形变统计先验，并在扩散采样过程中渐进引入几何形变，为生成具有几何多样性的合成数据提供了可复用的技术思路，可迁移到其他需要模拟形变的生物特征生成任务。
FlowDIS：基于流匹配的语言引导二值图像分割
FlowDIS: Language-Guided Dichotomous Image Segmentation with Flow Matching
把流匹配的时变向量场用于从图像分布到掩码分布的传输，为高精度分割提供了一条不依赖判别式解码器的新范式；其位置感知实例配对训练策略与文本条件控制可直接迁移到开放词表分割、交互式分割等需要像素级可控性的任务。
FlashVSR：面向实时扩散式流式视频超分辨率
FlashVSR: Towards Real-time Diffusion-Based Streaming Video Super Resolution
面向实时视频超分，提出三阶段蒸馏流水线把多步扩散压缩为单步流式推理，并用局部约束稀疏注意力弥合训练-测试分辨率差距；做扩散加速或高分辨率视频复原时可直接借鉴这两套机制。
FlashMotion：基于轨迹引导的少步可控视频生成
FlashMotion: Few-Step Controllable Video Generation with Trajectory Guidance
将多步轨迹可控视频生成器蒸馏为少步版本，并设计扩散+对抗混合目标微调轨迹适配器，可直接复用于任何需要加速的可控视频生成管线；同时提出的 FlashBench 提供了长序列轨迹精度评测协议。
FlashIn：面向实时图像编辑的快速精确图像反演
FlashIn: Fast and Accurate Image Inversion for Real-time Image Editing
把图像到初始噪声的映射做成可学习网络，用循环一致与对抗训练实现单步精确反演，可直接替换现有编辑流程中耗时的迭代反演环节，配合少步扩散模型做到秒级交互编辑。
FiDeSR：高保真且细节保持的单步扩散超分辨率
FiDeSR: High-Fidelity and Detail-Preserving One-Step Diffusion Super-Resolution
单步扩散超分中引入潜变量残差修正与高低频自适应增强器，可在不重训练的前提下调节重建保真度与细节，为少步扩散复原提供可复用的推理期增强思路。
FaithFusion：通过像素级信息增益协调重建与生成
FaithFusion: Harmonizing Reconstruction and Generation via Pixel-wise Information Gain
将像素级期望信息增益（EIG）作为统一策略，同时引导扩散模型精修高不确定性区域并将编辑结果蒸馏回3DGS，为3DGS与扩散模型的融合提供了一种无需额外先验条件的即插即用方案，可复用于其他需要几何保真与外观生成平衡的新视角合成任务。
Face2Scene：以人脸退化为先验的扩散式场景复原
Face2Scene: Using Facial Degradation as an Oracle for Diffusion-Based Scene Restoration
把已复原的人脸与退化人脸构成配对，从中提取退化编码，再转成多尺度 token 作为扩散模型的条件，从而用单步扩散复原整幅场景；这一「以局部高质量复原结果反推退化属性、再引导全局复原」的思路，可迁移到其他需要显式退化建模的复原任务。
FUSER：前馈多视图 3D 配准 Transformer 与 SE(3)^N 扩散精化
FUSER: Feed-Forward Multiview 3D Registration Transformer and SE(3)$^N$ Diffusion Refinement
提出一种前馈多视图配准 Transformer，在统一潜空间中直接预测全局位姿，避免成对匹配；并利用 SE(3)^N 扩散精化框架对联合位姿进行去噪校正，为多视图点云配准提供了高效的新范式。
FG-Portrait：三维流引导的可编辑肖像动画
FG-Portrait: 3D Flow Guided Editable Portrait Animation
把参数化三维人脸模型算出的稠密三维流当作几何先验注入扩散模型，用三维流编码为每个目标像素查询位移，并用深度引导采样对齐二维运动；这套「三维几何先验 + 扩散条件控制」思路可迁移到任何需要源到驱动对应关系的可控人像/人体生成任务。
FAPE-IR：面向一体化图像复原的频率感知规划与执行框架
FAPE-IR: Frequency-Aware Planning and Execution Framework for All-in-One Image Restoration
将冻结的多模态大语言模型作为规划器生成频率感知的复原计划，并驱动基于LoRA的混合专家扩散执行器，为统一图像复原提供了可解释的语义规划与频率专家动态选择相结合的新范式。
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。
探索扩散模型在机器人控制中的条件设计
Exploring Conditions for Diffusion Models in Robotic Control
将预训练文生图扩散模型冻结后作为任务自适应的视觉表征提取器，用可学习任务提示与帧级视觉提示替代纯文本条件，为视觉研究者提供了一种无需微调即可把生成模型迁移到下游控制任务的条件设计思路。
EmoDiffTalk：面向可编辑 3D 高斯说话头的情感感知扩散模型
EmoDiffTalk: Emotion-aware Diffusion for Editable 3D Gaussian Talking Head
把扩散过程放到 3D 高斯泼溅的表情参数空间（AU 空间）里做去噪，并用文本到 AU 的控制器提供连续可编辑条件——做 3D 说话头或表情编辑时，这种「在低维表情空间做扩散 + 多模态条件注入」的范式可直接复用。
阐明基于任意噪声的扩散模型的设计空间
Elucidating the Design Space of Arbitrary-Noise-Based Diffusion Models
将扩散模型的设计空间从固定高斯噪声推广到任意噪声模式，为图像复原任务提供了一种可减少复原距离、且不增加计算开销的通用框架，可直接用于去噪、去伪影等底层视觉问题。
EgoRoC：面向第一人称机器人控制的任任务无关视觉对齐
EgoRoC: Towards Egocentric Robotic Control via Task-Agnostic Visual Alignment
把第一人称腕部相机的视角对齐做成可插拔的6-DoF位姿接口，前置到任意VLA策略之前，并用扩散式在线手眼模块在末端执行器坐标系下修正动作；对做具身视觉的人，这是一种把「看」与「做」解耦、免手眼标定即可跨硬件部署的复用范式。
面向人体视频生成的高效训练：熵引导的优先渐进学习
Efficient Training for Human Video Generation with Entropy-Guided Prioritized Progressive Learning
提出条件熵膨胀（CEI）来量化模型各组件对条件生成任务的重要性，并据此安排训练优先级；同时用收敛效率自适应地提升训练复杂度。这套「按重要性排序 + 渐进加难」的训练调度可直接迁移到高分辨率视频扩散模型或大分辨率图像扩散模型的训练中，以降低显存与时间开销。
EffectErase：联合视频物体移除与插入实现高质量效应擦除
EffectErase: Joint Video Object Removal and Insertion for High-Quality Effect Erasing
把视频物体插入当作移除的逆辅助任务做互逆学习，并用任务感知区域引导把学习集中在形变、阴影、反射等效应区域，这一思路可直接迁移到视频修复、阴影/反射去除等需要定位并擦除视觉效应的编辑任务。
EchoVDiff：从任意单帧生成心动周期超声心动图视频
EchoVDiff: Cardiac-Cycle Echocardiography Video Generation from Arbitrary Single Frame
提出相位感知扩散模型，在解耦潜空间中联合建模时序节律与空间语义，实现从任意单帧重建完整心动周期视频；其将生理先验融入扩散范式、解耦潜空间的设计思路可迁移至其他周期性或结构化视频生成任务。
EVLF：面向生成式数据集蒸馏的早期视觉-语言融合
EVLF: Early Vision-Language Fusion for Generative Dataset Distillation
提出在编码器与生成主干之间插入轻量交叉注意力实现早期视觉-语言融合，可即插即用地改进任何基于扩散的数据集蒸馏流程，为视觉研究者提供了一种平衡文本语义与视觉潜变量的生成控制手段。
EMR-Diff：边缘感知多模态残差扩散模型用于高光谱图像超分辨率
EMR-Diff: Edge-aware Multimodal Residual Diffusion Model for Hyperspectral Image Super-resolution
提出边缘感知噪声策略与多模态残差机制，可迁移到其他多模态融合超分任务中，利用高分辨率辅助图像的边缘信息引导扩散模型优先重建高频细节。
EI-Part：爆炸以补全，内爆以精修
EI-Part:Explode for Completion and Implode for Refinement
提出 Explode/Implode 双状态表示与自注意力跨部件融合，为部件级 3D 生成提供可复用的分阶段生成框架，可迁移至可控编辑与装配式建模。
DynFusion：重新思考自适应多条件文本到图像生成中的条件融合
DynFusion: Rethinking Condition Fusion for Adaptive Multi-Conditional Text-to-Image Generation
提出一种数据驱动的自适应条件融合机制，根据扩散时间步、任务特性和特征注入位置动态选择并融合多个异构条件（如深度、边缘、参考图），可解决多条件控制中的冲突与计算冗余问题，为可控生成提供可复用的融合模块。
DuoMo：用于世界空间人体重建的双运动扩散模型
DuoMo: Dual Motion Diffusion for World-Space Human Reconstruction
把世界坐标运动重建拆成相机空间估计+世界空间精修两个扩散模型，并直接生成网格顶点而非参数化人体模型，这套「先局部估计再全局精修」的因子化思路可迁移到其他需要全局一致性的视频到3D任务（如场景级SLAM式重建、多人交互重建）。
DrivePTS：一种渐进学习框架，结合文本与结构增强用于驾驶场景生成
DrivePTS: A Progressive Learning Framework with Textual and Structural Enhancement for Driving Scene Generation
提出渐进学习策略与互信息约束解耦几何条件，并利用视觉语言模型生成多视角分层描述作为细粒度文本引导，结合频域结构损失增强前景细节，可迁移至其他条件生成任务。
DreamStyle：视频风格化的统一框架
DreamStyle: A Unified Framework for Video Stylization
DreamStyle 将文本、风格图像和风格化首帧三种条件统一到基于 I2V 扩散模型的 LoRA 微调框架中，其 token 特定的 up 矩阵设计可缓解多条件 token 混淆，为多模态条件控制生成提供了可复用的参数高效适配思路。
极低码率下基于多模态侧信息的分布式图像压缩
Distributed Image Compression with Multimodal Side Information at Extremely Low Bitrates
将文本侧信息作为条件注入扩散解码器，并用多模态细粒度对齐任务监督特征掩码生成，为极低码率下的图像压缩与复原提供了可复用的多模态条件控制思路。
面向扩散图像超分辨率的解耦文本先验
Disentangled Textual Priors for Diffusion-based Image Super-Resolution
把文本先验按空间层级（全局/局部）与频率语义（低频/高频）解耦，并通过专用交叉注意力模块分阶段注入扩散采样过程，这一「解耦先验 + 频率感知负提示」的注入范式可直接迁移到其他条件扩散复原任务（去噪、去模糊、修复）以提升语义可控性。
DiffusionFF：基于扩散模型的联合人脸伪造检测与细粒度伪影定位框架
DiffusionFF: A Diffusion-based Framework for Joint Face Forgery Detection and Fine-Grained Artifact Localization
将预训练伪造检测器作为编码器、扩散模型作为解码器，利用多尺度伪造特征条件生成细粒度伪影定位图，再与高层语义特征融合提升检测性能；该思路可迁移到其他需要细粒度异常定位的视觉任务。
基于提示驱动噪声表示学习的扩散式 sRGB 真实噪声生成
Diffusion-Based sRGB Real Noise Generation via Prompt-Driven Noise Representation Learning
用扩散模型从输入噪声中学习高维提示词特征来合成真实噪声图像，摆脱对相机元数据的依赖，可直接作为真实去噪训练数据的增广手段，缓解 sRGB 域真实噪声配对数据稀缺问题。
基于扩散模型的面部区域感知妆容特征妆容迁移
Diffusion-Based Makeup Transfer with Facial Region-Aware Makeup Features
用可学习 token 查询微调后的 CLIP 编码器，提取眼、嘴等面部区域级妆容特征，并以注意力损失实现区域可控注入，为扩散编辑中的局部属性控制提供了可复用范式；同时用 GPT-o3 加文本驱动编辑模型合成带标注风格数据来微调领域编码器，可迁移到其他细粒度风格迁移任务。
以语言罗盘引导的扩散：为早期 MCI 转化预测生成临床合理的未来 sMRI 表征
Diffusion with a Linguistic Compass: Steering the Generation of Clinically Plausible Future sMRI Representations for Early MCI Conversion Prediction
把扩散模型的潜空间轨迹外推与 LLM 打分引导结合，用单次基线扫描合成未来 sMRI 表征；这套「潜变量外推 + 语言模型合理性筛选」的采样策略可迁移到任何需要从单帧预测时序演变的医学或视频表征任务。
扩散探针：使用 CNN 探针预测生成图像结果
Diffusion Probe: Generated Image Result Prediction Using CNN Probes
利用扩散模型早期去噪步骤的交叉注意力图统计特征，训练轻量级 CNN 探针预测最终图像质量，可用于提示词优化、种子选择与加速 RL 训练等需要早期质量引导的 T2I 工作流。
DiffGraph：面向真实场景文本到图像生成的自动化智能体驱动模型合并框架
DiffGraph: An Automated Agent-driven Model Merging Framework for In-the-Wild Text-to-Image Generation
提出基于图结构的自动化模型合并框架，通过节点注册与校准组织在线专家模型，并根据用户需求动态激活子图，为视觉生成中的模型复用与组合提供可扩展方案。
Diff-SemiER：面向半透明眼镜去除的透明度感知自适应融合扩散模型与生成先验
Diff-SemiER: Transparency-Aware Adaptive Fusion Diffusion Model with Generative Prior for Semi-Transparent Eyeglasses Removal
针对半透明遮挡这一特殊编辑场景，提出软掩码感知的多尺度自适应融合机制，在生成先验与细节复原之间动态权衡；其透射率驱动的数据合成思路可迁移到其他半透明/部分遮挡的复原任务（如墨镜、面纱、玻璃反光去除）。
去噪，快与慢：面向图像生成的难度感知自适应采样
Denoising, Fast and Slow: Difficulty-Aware Adaptive Sampling for Image Generation
提出图像块级时间步采样与难度感知自适应计算分配，可复用于扩散/流匹配模型的训练与推理加速，并可与表示对齐、引导方法正交结合。
用于文本到图像编辑的 Delta 整流流采样
Delta Rectified Flow Sampling for Text-to-Image Editing
DRFS 提出一种基于蒸馏的无反转编辑方法，通过显式建模源与目标速度场差异并引入时间相关偏移项，缓解过平滑伪影，可复用于 rectified flow 模型的文本引导编辑，无需架构修改。
退化鲁棒融合：一种用于任意退化场景下多模态图像融合的高效退化感知扩散框架
Degradation-Robust Fusion: An Efficient Degradation-Aware Diffusion Framework for Multimodal Image Fusion in Arbitrary Degradation Scenarios
提出一种隐式去噪的扩散框架，通过直接回归融合图像而非预测噪声，并设计联合观测模型校正机制在采样中同时施加退化与融合约束，可复用于任意退化场景下的多模态图像融合任务。
面向一体化图像复原的退化一致性测试时自适应
Degradation-Consistent Test-Time Adaptation for All-in-One Image Restoration
把「同一场景的多种退化版本应映射到同一干净图像」作为自监督一致性约束，配合扩散生成器合成伪退化-干净对，为图像复原模型在测试时做无源域自适应提供了可复用的伪监督构造思路；其按退化敏感性选择参数更新的策略也可迁移到其他复原/增强模型的稳定微调。
解耦残差去噪扩散模型：面向统一且数据高效的图像到图像翻译
Decoupled Residual Denoising Diffusion Models for Unified and Data Efficient Image-to-Image Translation
把扩散过程拆成「随机噪声扩散做域对齐+流形提升」与「确定性残差扩散学语义映射」两段，且噪声阶段只用大量无配对目标域图像训练，为少配对数据的统一 I2I 翻译提供了可复用的训练范式。
DeX-Portrait：基于显式与隐式运动表征的解耦且富有表现力的肖像动画
DeX-Portrait: Disentangled and Expressive Portrait Animation via Explicit and Latent Motion Representations
把头部姿态建模为显式全局变换、表情建模为隐式潜变量，并通过双分支条件注入扩散模型，为需要解耦控制的人像/视频生成提供了一套可复用的条件注入与引导方案。
DUO-VSR：面向单步视频超分辨率的双流蒸馏
DUO-VSR: Dual-Stream Distillation for One-Step Video Super-Resolution
把分布匹配蒸馏与对抗监督（RFS-GAN）结合成双流蒸馏，可将任意多步扩散 VSR 模型压缩到单步推理；其渐进式引导蒸馏初始化与偏好引导精修流程，也可迁移到其他扩散复原任务（去噪、去模糊）的少步加速上。
DTG-Restore：面向生成式视频超分辨率的免训练扩散精炼
DTG-Restore: Training-Free Diffusion Refinement for Generative Video Super-Resolution
提出解耦时间引导（DTG），在采样时让无条件分支在更干净的扩散时间步上评估，为视频复原提供可复用的无训练先验利用手段，可迁移到其他基于扩散的复原任务。
DNF-SR：面向真实世界图像超分辨率的双输入与负样本感知特征微调
DNF-SR: Dual-Input and Negative-Aware Feature Fine-Tuning for Real-World Image Super-Resolution
把预训练扩散图像编辑模型当作单步 Real-ISR 的生成先验，用「原始 LR + 加噪 LR」双输入拼接来同时保住保真度与感知质量，并用正/负样本分组的后训练偏好优化（NF²T）在图像与特征空间定义隐式策略改进方向——这套「负样本感知微调」思路可直接迁移到其他一步扩散复原/编辑任务的输出筛选与对齐上。
DMGD：扩散模型中基于语义-分布匹配的无训练数据集蒸馏
DMGD: Train-Free Dataset Distillation with Semantic-Distribution Matching in Diffusion Models
用条件似然优化替代辅助分类器实现语义匹配，并以最优传输做分布匹配，为扩散模型中的无训练引导提供可复用方案；其分布近似匹配与贪心渐进匹配策略可迁移到任何需要低成本分布对齐的生成流程。
DMAligner：通过基于扩散模型的视图合成增强图像对齐
DMAligner: Enhancing Image Alignment via Diffusion Model Based View Synthesis
用扩散模型做面向对齐的新视图合成，替代传统光流 warping，能处理遮挡和光照变化；DMP 模块动态区分前景背景，思路可迁移到其他需要条件生成的视觉任务。
DDSF：基于解耦子空间与行列式点过程的鲁棒少样本学习
DDSF: Robust Few-Shot Learning via Disentangled Subspaces with Determinantal Point Process
用行列式点过程（DPP）的体量最大化来筛选样本、引导扩散增强并构造解耦子空间，可作为提升原型类方法在噪声与难正样本下稳定性的通用插件。
DABO：基于扩散学习先验的难度感知贝叶斯优化
DABO: Difficulty-Aware Bayesian Optimization with Diffusion-Learned Priors
对视觉研究者而言，DABO 提供了一套可直接复用的超参数搜索框架：用条件扩散模型在真实学习曲线上生成合成数据，训练难度感知代理模型与采集函数，从而在有限算力预算下更高效地调参（如检测、分割、生成模型的训练超参），减少在简单区域浪费的搜索预算。
D$^2$-FOSA：双扩散引导的频域语义对齐脑电到图像重建
D$^2$-FOSA: Dual-Diffusion Guided EEG-to-Image Reconstruction with Frequency-Oriented Semantic Alignment
论文提出的双扩散潜变量生成器（DDLG）与频域导向的Mamba编码器，为跨模态生成（如EEG到图像）提供了可复用的双向条件扩散框架和频域特征建模思路，可启发视觉-脑信号对齐及基于扩散的语义重建研究。
CrowdGaussian：从单张图像重建高保真3D高斯人体人群
CrowdGaussian: Reconstructing High-Fidelity 3D Gaussians for Human Crowd from a Single Image
提出自监督适应流程，使预训练人体模型能从严重遮挡的单张图像中重建完整3D人体，并利用自校准学习策略微调单步扩散模型以提升多人3DGS表示质量，可直接用于拥挤场景的三维重建与渲染。
面向文本驱动三维人体运动编辑的跨轴特征融合与关节级运动差异预测
Cross-Axis Feature Fusion with Joint-Wise Motion Difference Prediction for Text-Based 3D Human Motion Editing
把运动序列沿关节轴与时间轴分别用 Transformer 编码再做跨轴融合，并用 Soft-DTW 回归作为辅助任务定位「哪些关节该改」，这套轴分解+关节级差异预测的思路可直接迁移到人体动作生成、姿态序列编辑与细粒度时序定位任务。
ColorFLUX：一种用于老照片上色的结构-颜色解耦框架
ColorFLUX: A Structure-Color Decoupling Framework for Old Photo Colorization
将结构保持与颜色恢复解耦，并利用视觉语义提示替代文本提示来消除老照片的颜色偏差，为图像上色和可控生成提供了可复用的条件控制思路。
CogniEdit：面向细粒度图像编辑的稠密梯度流优化
CogniEdit: Dense Gradient Flow Optimization for Fine-Grained Image Editing
把 GRPO 的稀疏步级奖励改为跨连续去噪步传播梯度的稠密奖励，为扩散编辑提供轨迹级监督；该思路可直接迁移到任何需要细粒度指令遵循的扩散采样优化中。
CoT-Edit：让思维链引导指令式视频编辑
CoT-Edit: Let CoT Guide Instruction Video Editing
用 CoT 增强的 MLLM 作为规划器输出边界框序列与属性化编辑指令，再把全局文本检索转成框条件掩码生成，为指令式视频编辑提供可复用的「先规划空间先验、再局部精修」范式。
CoLoGen：面向统一图像生成的概念—定位二元性渐进学习
CoLoGen: Progressive Learning of Concept-Localization Duality for Unified Image Generation
把「语义理解」与「空间定位」两类异质表征显式解耦，再用混合专家式路由（PRW）按阶段融合，为统一条件生成中多任务表征冲突提供了一种可复用的架构思路，可直接迁移到编辑、可控生成与个性化生成的统一模型设计。
CoD：面向图像压缩的扩散基础模型
CoD: A Diffusion Foundation Model for Image Compression
CoD 提供了一个从零训练、面向压缩的扩散基础模型，可替代 Stable Diffusion 作为下游扩散编解码器的骨干，尤其在超低码率下提升压缩效率；其像素空间扩散实现 VTM 级 PSNR 与高感知质量的发现，为图像压缩与生成联合优化提供了新思路。
换装与姿态
Clothe and Pose
把「换装」与「姿态重定向」合并为单一条件生成任务，输入单张人像、多件服装图和目标姿态，输出同时满足服装与姿态约束的人体图像；其评测框架对做虚拟试衣和姿态迁移的研究者可直接复用，用于联合评估服装保真度与姿态一致性。
面向医学视频诊断的临床依据反事实推理
Clinically-Grounded Counterfactual Reasoning for Medical Video Diagnosis
用扩散模型合成反事实组织演变视频，并通过时序一致性、病理可分性与反事实对齐三项约束学习表征，为数据稀缺下的视频诊断提供可复用的反事实增强与对比预测范式。
CaricHarmony：用于身份保持漫画合成的对比扩散路径
CaricHarmony: Contrastive Diffusion Paths for Identity-Preserving Caricature Synthesis
提出免训练的并行扩散路径与基于交叉注意力特征的能量函数，用于解决多条件生成中的信号污染问题，可复用于其他需要平衡多个冲突条件的可控生成任务。
CTCal：通过跨时间步自校准重新审视文本到图像扩散模型
CTCal: Rethinking Text-to-Image Diffusion Models via Cross-Timestep Self-Calibration
把扩散模型内部小时间步的交叉注意力图当作显式监督信号，去校准大时间步的表征学习，是一种无需额外标注、模型无关的训练期对齐增强手段，可直接插入 SD 系列或 flow matching 模型以提升文本-图像细粒度对齐。
CARD：基于扩散的相关噪声感知复原
CARD: Correlation Aware Restoration with Diffusion
针对真实传感器中空间相关噪声的扩散复原方法，通过噪声白化将相关噪声转为独立同分布形式，并修改DDRM的采样更新步骤，为处理非i.i.d.噪声的复原任务提供了免训练、闭式采样的通用思路。
CADC：内容自适应的基于扩散的生成式图像压缩
CADC: Content Adaptive Diffusion-Based Generative Image Compression
把扩散先验用于极低码率图像压缩时，可用空间不确定性图驱动量化步长、并用轻量辅助解码器约束主潜变量通道的信息保留，这套「内容自适应量化+信息集中」思路可迁移到任何需要潜变量压缩的生成式编码流程。
连接隐私与溯源：可追溯的虚拟身份生成
Bridging Privacy and Provenance: Traceable Virtual Identity Generation
在扩散生成过程中嵌入潜空间水印以携带可验证的身份签名，并配合3D几何与表情条件保持姿态一致性，为视觉研究者提供了一种在生成人脸时兼顾身份可控性与溯源验证的可复用思路。
以可控单步扩散弥合保真度与真实感：面向图像超分辨率
Bridging Fidelity-Reality with Controllable One-Step Diffusion for Image Super-Resolution
可复用的思路有两点：一是用未压缩的 LQ 原始信息做特征调制，为扩散过程提供高保真条件，缓解压缩编码带来的信息损失；二是区域自适应地激活生成先验，并用文本匹配引导对齐语义区域，在单步推理下兼顾感知质量与局部结构保真。
打破连续性：面向结构性MRI重建的离散分布学习
Breaking the Continuum: Discrete Distribution Learning for Structural MRI Reconstruction
将MRI解剖结构的空间先验建模为潜空间中的离散分布，并用离散先验网络一次生成多个候选、再以双域评分和微扩散循环精修，为医学图像重建提供了可复用的“离散结构推理+连续细化”范式。
打破语义边界：分布引导的语义探索用于创造性生成
Breaking Semantic Boundaries: Distribution-Guided Semantic Exploration for Creative Generation
提出分布条件生成范式，将类别分布作为条件输入扩散模型，并通过视觉语言模型对齐生成图像的语义分布，为可控创造性生成提供了可复用的技术思路。
引导动态感知的 3D 视觉表征用于可扩展机器人学习
Bootstrap Dynamic-Aware 3D Visual Representation for Scalable Robot Learning
把状态预测建模为扩散生成过程、在共享潜空间联合学习前向与逆向动力学，为视觉表征注入可操作的因果转移结构；特征差分与逆一致性监督可防止动作学习中的特征泄漏，这一思路可直接迁移到任何需要动作条件表征的视觉预训练中。
BoostSLT：通过即插即用的扩散式语义增强器提升手语翻译
BoostSLT: Boosting Sign Language Translation via a Plug-and-Play Diffusion-Based Semantic Enhancer
把扩散模型当作段落级语义重建器，对片段级翻译结果做拼接与精炼，这个「先分段再扩散融合」的即插即用思路可直接迁移到视频字幕、长视频描述等长序列视觉-语言生成任务。
针对图像生成模型预训练数据的黑盒成员推理攻击
Black-box Membership Inference Attacks on the Pre-training Data of Image-generation Models
对做扩散模型数据溯源与版权审计的研究者，这篇给出了一个仅依赖黑盒去噪行为的成员推理信号：同时扰动可疑图像与其对应文本指令，观察跨模态去噪响应差异，可在无法访问内部特征的主流闭源平台上判断预训练数据是否被使用。
BiFM：面向少步图像编辑与生成的双向流匹配
BiFM: Bidirectional Flow Matching for Few-Step Image Editing and Generation
把「图像→噪声」的反演方向也纳入流匹配训练，用共享瞬时速度场与连续时间区间监督实现单步反演，可直接替换现有少步编辑管线中的反演模块，提升少步采样下的编辑保真度。
超越串行工具：基于动态多专家融合的统一视觉语言模型智能体系统用于摄影后期处理
Beyond Sequential Tools: A Unified VLM Agent System for Photographic Post-Processing via Dynamic Multi-Expert Fusion
把 VLM 当作调度器，为多个只改 K/V 矩阵的专家 LoRA 动态分配权重，并一次性合并进扩散骨干网络完成单步复原，这个「多专家 LoRA 融合 + 单次前向」的范式可直接迁移到去噪、去模糊、低光照增强等耦合退化场景。
超越缺失模态：超图条件扩散用于不确定性感知的多模态情感识别
Beyond Missing Modalities: Hypergraph Conditioned Diffusion for Uncertainty-Aware Multimodal Emotion Recognition
提出用掩码超图注意力条件扩散模型在潜空间恢复缺失模态特征，并用双通道证据融合量化不确定性，可迁移到视觉-语言多模态任务中处理模态缺失与不确定性建模。
回到特征：用视频反事实解释说明视频分类器
Back to the Feature: Explaining Video Classifiers with Video Counterfactual Explanations
把图像反事实解释扩展到视频时，关键难点是时序一致与运动平滑；BTTF 用「首帧条件反演初始潜变量 + 两阶段邻域搜索 + 渐进增加去噪步数」的纯分类器引导优化，为视频模型的归因与调试提供了可复用的生成式解释框架。
回归本源：让去噪生成模型真正去噪
Back to Basics: Let Denoising Generative Models Denoise
提出直接预测干净数据的扩散范式，使大图像块（16/32）的纯像素 Transformer 无需分词器与预训练即可生成高分辨率图像，为简化扩散训练目标与像素级生成架构提供可复用思路。
AudioStory：利用大语言模型生成长篇叙事音频
AudioStory: Generating Long-Form Narrative Audio with Large Language Models
AudioStory 将 LLM 的指令分解与扩散模型的音频生成通过解耦桥接机制（桥接查询和残差查询）结合，并实现端到端训练，这种思路可迁移到视觉领域的可控长视频生成，例如利用 LLM 分解复杂叙事为时序子任务，再通过扩散模型生成连贯视频。
面向扩散换脸的属性保持伪标签方法
Attribute-Preserving Pseudo-Labeling for Diffusion-Based Face Swapping
提出教师-学生扩散框架，用条件去模糊和属性感知反演生成伪标签，替代掩码条件以保留肤色、光照、妆容等属性，可复用于其他需保持属性的图像编辑任务。
Ar2Can：以建筑师与画家借画布实现多人图像生成
Ar2Can: An Architect and an Artist Leveraging a Canvas for Multi-Human Generation
把多人生成拆成「布局规划 + 身份渲染」两阶段，并用匈牙利匹配的空间对齐人脸匹配奖励配合 GRPO 优化，可直接迁移到任何需要多主体身份保持的扩散生成/编辑流程中。
任意到任意的 3D 扩散模型与知识迁移：一项放疗计划研究
Any2Any 3D Diffusion Models with Knowledge Transfer: A Radiotherapy Planning Study
把预训练视频扩散骨干的时空先验迁移到体素级 3D 预测任务上，并用「模态+角色」感知的 Any2Any 条件接口替代交叉注意力，为视觉研究者提供了一个可复用的思路：如何在不改动骨干结构的前提下，把异构条件（图像、掩码、束流描述符）统一注入扩散模型，并用奖励后训练对齐领域偏好。
Anti-I2V：保护你的照片免受恶意图像到视频生成侵害
Anti-I2V: Safeguarding your Photos from Malicious Image-to-video Generation
针对 DiT 架构的视频扩散模型提出跨骨干的对抗扰动防御，在 L*a*b* 与频域联合优化噪声，并定位去噪过程中语义特征最强的网络层来设计训练目标，可直接迁移到图像/视频生成模型的版权保护与防滥用攻击设计。
面向跨域异常检测的异常相关残差场
Anomaly-Related Residual Fields for Cross-domain Anomaly Detection
把扩散模型反向过程的残差按时间步演化建模为「残差演化场」，用平稳性区分正常变异与异常信号，这一思路可直接迁移到任何基于重建/生成残差的视觉异常检测与OOD检测流程中，并配合跨域场对齐实现无标签目标域适配。
面向扩散模型属性操纵的一体化滑杆
All-in-One Slider for Attribute Manipulation in Diffusion Models
把文本嵌入空间分解为稀疏语义方向，用一个轻量模块实现多属性连续滑杆控制，并可零样本组合未见属性；该思路可直接迁移到基于扩散模型的图像编辑与个性化生成中，替代逐属性训练滑杆的做法。
AffordGrasp：面向可供性的跨模态扩散抓取合成
AffordGrasp: Cross-Modal Diffusion for Affordance-Aware Grasp Synthesis
把可供性（affordance）作为空间条件注入扩散过程来生成手部抓取姿态，其双条件扩散与分布调整模块可迁移到任何需要几何+语义联合约束的 3D 姿态/接触生成任务。
自适应容量自回归视觉跟踪
Adaptive Capacity Autoregressive Visual Tracking
把扩散模型当作时序难度预测器，用来动态切换高/低容量推理模式，为视觉跟踪提供了一种「按需计算」的自回归框架；该思路可迁移到任何需要在线调节推理开销的时序视觉任务。
自适应辅助提示词混合用于目标忠实的扩散生成
Adaptive Auxiliary Prompt Blending for Target-Faithful Diffusion Generation
提出一种基于Tweedie恒等式的免训练自适应提示词混合框架，通过闭式系数在扩散每一步平衡辅助锚框提示词与目标提示词的影响，可直接用于提升罕见概念生成和图像编辑的忠实度。
将预训练单细胞基础模型适配于从组织学图像生成空间基因表达
Adapting a Pre-trained Single-Cell Foundation Model to Spatial Gene Expression Generation from Histology Images
将预训练单细胞基础模型通过轻量级视觉条件调制（SoftAdaLN）和掩码扩散目标适配到组织学图像条件生成，为视觉-组学跨模态生成提供可复用的条件注入与目标对齐策略。
时序与内容协同感知的潜扩散模型用于可控手部图像生成
A Temporal and Content Co-Awareness Latent Diffusion for Controllable Hand Image Generation
提出按去噪时间步与条件复杂度动态调节控制信号注入强度的双驱动调制策略，可迁移到任意「结构条件+外观条件」的可控扩散生成任务（如人体姿态引导生成、姿态迁移），替代固定强度的 ControlNet 式注入。
面向真实感文本到激光雷达场景生成的自条件表征引导扩散模型
A Self-Conditioned Representation Guided Diffusion Model for Realistic Text-to-LiDAR Scene Generation
对做 3D 感知的研究者，这篇提供了用扩散模型从文本生成激光雷达点云场景的完整方案：训练时用真实表征做软监督、推理时解耦的自条件引导，可缓解文本-点云配对稀缺导致的过度平滑；其条件编码器设计还能把稀疏到稠密、语义到激光雷达等任务统一到同一去噪网络中，可作为 3D 数据增广与跨模态条件生成的参考。
3M-TI：基于免标定多相机跨模态扩散的高质量移动热成像
3M-TI: High-Quality Mobile Thermal Imaging via Calibration-free Multi-Camera Cross-Modal Diffusion
把扩散 UNet 中的自注意力层替换为跨模态自注意力（CSM），在去噪过程中自适应对齐热成像与 RGB 特征，从而绕开相机标定；这一「免标定跨模态特征对齐 + 生成先验」的思路可直接迁移到其他多传感器图像复原任务（如低光 RGB-NIR 增强、深度引导超分）。
3D-Fixer：单图像三维场景的由粗到细原位补全
3D-Fixer: Coarse-to-Fine In-place Completion for 3D Scenes from a Single Image
把几何估计得到的碎片化点云当作空间锚框，在原始位置做 in-place 补全，从而绕开显式 6DoF 位姿优化；这种「以碎片几何为条件、粗到细生成」的思路可直接迁移到单视图场景重建与资产补全任务。