Tag · 130 篇
扩散-Transformer
YOSE：为高效 DiT 视频物体移除仅选择必要词元
YOSE: You Only Select Essential Tokens for Efficient DiT-based Video Object Removal
对做 DiT 视频生成/编辑的人，这篇给出了一个可复用的思路：用可微的动态索引按掩码只处理必要词元，并用扩散过程模拟器近似未掩码区域在自注意力中的影响，从而让推理时间随掩码面积线性增长，可直接迁移到 inpainting、视频编辑等掩码驱动的生成任务上做加速。
VIVA：基于 VLM 引导与奖励优化的指令驱动视频编辑
VIVA: VLM-Guided Instruction-Based Video Editing with Reward Optimization
把 VLM 作为指令编码器，将文本指令、首帧和参考图编码成视觉接地的指令表示，再送入扩散 Transformer 主干；并用 Edit-GRPO 以相对奖励直接优化指令遵循、内容保持与美学质量，这套「VLM 编码 + 强化学习后训练」组合可迁移到其他条件生成任务。
通过语义自编码器构建理解与生成的统一潜空间
Unified Latent Space for Understanding and Generation via Semantic Auto-encoder
为 DiT 类扩散模型提供一个同时具备语义判别力与细粒度几何保真度的统一潜空间自编码器，可直接替换现有 VAE/语义编码器前端，兼顾重建质量与收敛效率。
面向可控视频生成的统一相机位置编码
Unified Camera Positional Encoding for Controlled Video Generation
提出 Relative Ray Encoding 把 6-DoF 位姿、内参和镜头畸变统一编码为几何一致的射线表示，并以不到 1% 可训练参数的轻量空间注意力适配器注入预训练视频 DiT，可直接复用于多视角生成、新视角合成和 3D 感知骨干的相机条件注入。
UniVerse：面向无分割、解耦多概念个性化的统一调制框架
UniVerse: A Unified Modulation Framework for Segmentation-Free, Disentangled Multi-Concept Personalization
在扩散 Transformer 中通过调制实现无需分割掩码的多概念解耦与组合，可直接复用于个性化生成与概念编辑，避免依赖分割监督。
UniTEX：面向三维形状的通用高保真生成式纹理
UniTEX: Universal High Fidelity Generative Texturing for 3D Shapes
用统一的 3D 函数空间直接回归纹理，绕开 UV 映射的拓扑歧义；把表面纹理扩展为连续体积场（Texture Functions）作为训练目标，这一思路可迁移到任何需要稠密 3D 场监督的重建/生成任务。
UniSER：统一软效应去除的基础模型
UniSER: A Foundation Model for Unified Soft Effects Removal
把镜头光晕、雾、阴影、反射统一建模为「半透明遮挡」并用 Diffusion Transformer 做微调复原，配合细粒度掩码与强度控制，为低层复原提供了一条「一个模型处理多类软效应」的可复用范式与 3.8M 配对数据构建思路。
UniAVGen：基于非对称跨模态交互的统一音频与视频生成
UniAVGen: Unified Audio and Video Generation with Asymmetric Cross-Modal Interactions
提出非对称跨模态交互机制与模态感知无分类器引导，可复用于任何需要时空对齐的多模态生成任务（如视频配音、说话人脸生成），其双分支 DiT 架构与 Face-Aware 调制为视觉-音频联合建模提供了新思路。
UltraFlux：面向多宽高比高质量原生 4K 文本到图像生成的数据-模型协同设计
UltraFlux: Data-Model Co-Design for High-quality Native 4K Text-to-Image Generation across Diverse Aspect Ratios
针对原生 4K 文生图，提出 Resonance 2D RoPE 与 YaRN 结合的位置编码、非对抗 VAE 后训练、SNR 感知的 Huber 小波损失以及分阶段美学课程学习，系统解决高分辨率下位置编码、VAE 压缩与优化耦合失效的问题，可直接迁移到其他高分辨率扩散模型。
免训练混合分辨率潜变量上采样用于空间加速扩散 Transformer
Training-free Mixed-Resolution Latent Upsampling for Spatially Accelerated Diffusion Transformers
提出一种免训练的空间加速框架，通过区域自适应潜变量上采样和噪声-时间步匹配，在保持生成质量的同时显著加速扩散 Transformer，可复用于高分辨率图像生成等任务。
面向高效扩散 Transformer 的可训练对数线性稀疏注意力
Trainable Log-linear Sparse Attention for Efficient Diffusion Transformers
LLSA 把 DiT 自注意力的选择与计算复杂度从二次降到对数线性，并给出仅用稀疏索引的前向/反向 GPU 实现，可直接替换现有 DiT 中的 Top-K 块稀疏注意力，用于高分辨率像素空间长序列生成训练。
面向视频帧插值的整体建模：自回归扩散 Transformer
Towards Holistic Modeling for Video Frame Interpolation with Auto-regressive Diffusion Transformers
把视频帧插值从「三元组」式局部处理改为整段视频的自回归扩散 Transformer 建模，配合 skip-concatenate 采样抑制误差累积、稀疏局部注意力与瓦片式 VAE 编码支持 4K 任意分辨率推理，可直接迁移到长视频生成与视频复原任务的长时序一致性建模。
ThinkGen：面向视觉生成的泛化思维
ThinkGen: Generalized Thinking for Visual Generation
把 MLLM 的思维链推理作为扩散生成的指令来源，并用可分离的 GRPO 交替训练 MLLM 与 DiT，为视觉生成提供了一条可跨场景泛化的「先推理后生成」训练范式，可直接迁移到文生图、指令式编辑等条件生成任务。
细节决定成败：通过关键帧驱动的细节注入增强视频虚拟试穿
The devil is in the details: Enhancing Video Virtual Try-On via Keyframe-Driven Details Injection
提出关键帧驱动的细节注入策略，在不修改 DiT 架构的前提下将服装动态与背景一致性信息注入标准 DiT 块，为视频生成中的细粒度控制与背景保持提供可复用方案。
面向极速动作扩散的测试时稀疏性
Test-time Sparsity for Extreme Fast Action Diffusion
把「测试时稀疏化 + 跨去噪步/跨 rollout 的特征复用」做成可插拔的加速范式，对视觉里做扩散 Transformer 推理加速（如视频/图像扩散的 few-step 与缓存复用）可直接迁移；其并行化去噪时间步、剪枝器与解码器异步重叠的流水线设计，也是降低非主干延迟的通用工程思路。
Tea-Adapter：面向高效条件生成的教师适配器
Tea-Adapter: Teacher Adapter for Efficient Conditional Generation
用小型已调好的教师扩散模型通过逆蒸馏把精确控制能力迁移进十亿参数视频 DiT，配合 Mixture of Condition Experts 在统一结构里动态路由多条件输入，为可控视频生成提供了一条免全量微调、低显存可复用的适配器路线。
面向任务的数据合成与控制修正采样用于遥感语义分割
Task-Oriented Data Synthesis and Control-Rectify Sampling for Remote Sensing Semantic Segmentation
提出基于 MM-DiT 的文本-图像-掩码联合注意力控制方案与全微调策略，并设计控制修正流匹配（CRFM）在采样早期用语义损失动态调整方向，可直接用于提升少样本遥感语义分割的合成数据质量。
TEXTRIX：面向原生纹理生成及更多应用的潜变量属性网格
TEXTRIX: Latent Attribute Grid for Native Texture Generation and Beyond
用潜空间三维属性网格 + 稀疏注意力 Diffusion Transformer 直接在体空间给 3D 模型上色，绕开多视角融合的视角不一致问题；同一架构改预测语义属性即可做 3D 部件分割，为「生成式三维表征复用为判别任务」提供了可借鉴范式。
TAG-MoE：面向统一生成式混合专家的任务感知门控
TAG-MoE: Task-Aware Gating for Unified Generative Mixture-of-Experts
把任务语义（范围、类型、保留程度）注入 MoE 门控网络，用预测对齐正则化让路由决策与高层任务意图对齐，可直接迁移到任何需要多任务共享参数的扩散 Transformer 中，缓解局部编辑与主体驱动生成之间的任务干扰。
SyncDreamer：超越说话头部的可控且富有表现力的虚拟人生成
SyncDreamer: Controllable and Expressive Avatar Generation Beyond the Talking Head
用 Diffusion Transformer 直接从单图+语音+文本提示词生成全身说话数字人，其视觉适配器与注意力定位损失可复用于任何需要身份保持的条件生成任务；音频动力学编码器把节奏/能量等连续语音特征注入扩散过程，为语音驱动的细粒度运动控制提供了可借鉴的条件注入方式。
StaMo：从紧凑状态表征中无监督学习可泛化的机器人运动
StaMo: Unsupervised Learning of Generalizable Robot Motion from Compact State Representation
用预训练 DiT 作为解码器，从静态图像编码出仅两个 token 的紧凑状态表征，并通过潜变量插值得到可直接解码为机器人动作的潜动作；对做 VLA、世界模型或从视频/图像中挖掘动作监督的视觉研究者，这是一个可复用的轻量表征与潜动作提取方案。
SpotEdit：扩散 Transformer 中的选择性区域编辑
SpotEdit: Selective Region Editing in Diffusion Transformers
SpotSelector 用感知相似度判定哪些 token 在编辑中保持稳定并直接复用条件图像特征，SpotFusion 再做动态融合——这套「只去噪变化区域」的免训练策略可直接移植到任何 DiT 类编辑/修复管线，用来省算力并避免未编辑区域被破坏。
SpeeDiff：可扩展的像素锚定端到端潜扩散模型
SpeeDiff: Scalable Pixel-Anchored End-to-End Latent Diffusion Model
把扩散损失梯度直接回传到 VAE 编码器做端到端联合训练，并用 Tweedie 公式从中间噪声态解码预测的干净潜变量来加像素级重建约束，避免潜空间坍缩；做视觉生成的人可以借此替换掉「预训练冻结 VAE + 两阶段」的常规流程，显著缩短训练时间并复用其 32x 压缩 VAE 与 Transformer 联合缩放策略。
面向模态缺失 RGBT 跟踪的时空条件去噪 Transformer
Spatio-Temporal Conditional Denoising Transformer for Modality-Missing RGBT Tracking
把扩散式条件去噪引入多模态跟踪的特征重建：用长短期时序上下文作为条件，把可用模态的噪声特征逐步去噪成时序一致的多模态表征，并用噪声调制适配机制在单一网络内统一缺失/完整模态两种输入，可直接迁移到其他模态缺失的多模态融合任务。
SounDiT：地理上下文声景到景观生成
SounDiT: Geo-Contextual Soundscape-to-Landscape Generation
把环境声景作为条件、地理上下文作为先验，用 DiT 生成地理上合理的景观图像；其 PSS 评测框架（元素/场景/人类感知三级一致性）可迁移到其他跨模态生成任务的条件一致性度量。
SketchAssist：面向语义编辑与精确局部重绘的实用助手
SketchAssist: A Practical Assistant for Semantic Edits and Precise Local Redrawing
将 DiT 与任务引导的混合专家（T-MoE）结合到低秩适配层中，为草图编辑提供统一框架，可复用于其他需要同时处理语义修改与局部重绘的可控生成任务。
语义先行：用异步潜扩散协调语义与纹理建模
Semantics Lead the Way: Harmonizing Semantic and Texture Modeling with Asynchronous Latent Diffusion
把预训练视觉编码器的语义潜变量与 VAE 纹理潜变量拼接，并用带时间偏移的两套噪声调度异步去噪，让语义先于纹理成形；这一「语义先行」的调度可直接嵌入现有 DiT/LDM 训练流程，用于加速收敛并提升 FID。
看见并修复缺陷：通过智能体数据合成让视觉语言模型与扩散模型理解视觉伪影
See and Fix the Flaws: Enabling VLMs and Diffusion Models to Comprehend Visual Artifacts via Agentic Data Synthesis
提出在扩散 Transformer 内做 patch 级嵌入操纵来可控注入伪影，并自动生成局部/全局解释，可直接用于构建伪影检测与修复模型的训练数据，也可作为评估生成图像真实性的诊断工具。
Sculpt4D：基于稀疏注意力扩散 Transformer 生成 4D 形状
Sculpt4D: Generating 4D Shapes via Sparse-Attention Diffusion Transformers
把预训练 3D 扩散 Transformer 通过块稀疏注意力扩展成时序 4D 生成器，其时间衰减稀疏掩码锚定首帧保身份的思路可直接迁移到视频/动态 NeRF 等需要长程时序一致性的生成任务，并显著降低注意力开销。
STCDiT：时空一致的扩散 Transformer 用于高质量视频超分辨率
STCDiT: Spatio-Temporally Consistent Diffusion Transformer for High-Quality Video Super-Resolution
利用预训练视频扩散模型做视频超分时，通过运动感知的 VAE 分段重建和锚帧潜变量引导来提升结构保真度与时序稳定性，这套思路可直接迁移到其他基于扩散模型的视频复原任务（如去噪、去模糊）。
SRA 2：面向高效扩散训练的变分自编码器自表征对齐
SRA 2: Variational Autoencoder Self-Representation Alignment for Efficient Diffusion Training
利用预训练 VAE 的重建特征作为内在监督信号，通过轻量投影层对齐扩散 Transformer 的中间潜变量，无需外部编码器即可加速训练收敛，为扩散模型训练提供了一种低成本的正则化手段。
SPARK：借助视觉语言模型知识的可仿真部件级铰接重建
SPARK: Sim-ready Part-level Articulated Reconstruction with VLM Knowledge
把 VLM 先验（粗 URDF、部件参考图、开合状态监督）注入扩散 Transformer 做部件级形状合成，再用可微前向运动学在图像监督下优化连续运动参数，为单图生成可仿真铰接资产提供了可复用的「语言先验 + 可微物理」流程。
SODA：面向敏感性的扩散 Transformer 动态加速
SODA: Sensitivity-Oriented Dynamic Acceleration for Diffusion Transformer
对做扩散 Transformer 采样加速的人，这篇给出了一个可复用的思路：用离线敏感性误差建模（跨时间步、层、模块）作为代价函数，用动态规划求最优缓存间隔，并在剪枝与缓存复用时按 token 敏感性自适应决定剪枝时机与比例，可直接嵌入现有 DiT 推理管线以在可控加速比下提升保真度。
SIGMA：基于多属性 token 的选择性交错生成
SIGMA: Selective-Interleaved Generation with Multi-Attribute Tokens
SIGMA 提出在扩散 Transformer 中通过选择性多属性 token 实现交错多条件生成，为视觉研究者提供了一种可复用的后训练框架，能灵活组合风格、内容、主体和身份等多种异构条件，提升编辑任务的可控性与跨条件一致性。
RigMo：统一绑定与运动学习用于生成式动画
RigMo: Unifying Rig and Motion Learning for Generative Animation
把逐顶点形变编码进「绑定潜变量 + 运动潜变量」两个紧凑潜空间，可前馈地从原始网格序列直接解出高斯骨骼、蒙皮权重与逐帧 SE(3) 变换，为动态 3D 建模提供了一套无需人工骨骼标注、结构可解释的表示方案；在该潜空间上训练 Motion-DiT 即可做下游运动生成，是 4D 生成与角色动画可复用的范式。
ResDiT：激发扩散 Transformer 内在的分辨率可扩展性
ResDiT: Evoking the Intrinsic Resolution Scalability in Diffusion Transformers
对做 DiT 高分辨率生成的人，这篇给出了免训练的分辨率外推方案：修正位置编码在分辨率变化下的外推误差，并用基分辨率局部注意力做细节增强，可直接套用到 SD3/FLUX 类 DiT 的高分辨率推理与空间可控生成。
ResCa：面向扩散 Transformer 加速的残差缓存
ResCa: Residual Caching for Diffusion Transformers Acceleration
把「代理去噪」思路用于扩散 Transformer 的推理加速：在每个轨迹聚类内只对一个代理词元做真实去噪，再用其多阶残差模拟其余词元的去噪，从而在保持自洽且更新的去噪轨迹下大幅削减 GFLOPs，可直接套用到 DiT/FLUX/视频生成模型的采样环节。
面向扩散 Transformer 的区域自适应采样
Region-Adaptive Sampling for Diffusion Transformers
对做扩散 Transformer 推理加速的人，这篇给出了一个可直接套用的免训练策略：用上一步输出判定 DiT 关注的语义区域，只对这些区域对应的词元做前向更新，其余词元复用缓存噪声，从而在 Stable Diffusion 3、Lumina-Next-T2I 上取得 2 倍以上加速；该「按区域分配更新比例」的思路可迁移到视频 DiT 与可控生成管线中。
RecTok：沿整流流的重建蒸馏
RecTok: Reconstruction Distillation along Rectified Flow
把视觉基础模型的语义蒸馏进流匹配的前向流轨迹而非潜空间，使高维视觉分词器不再受维度-生成质量权衡限制，可直接替换扩散 Transformer 的 tokenizer 以提升重建与生成质量。
面向不配对测试时分布外文本-图像到视频生成的推理扩散模型
Reasoning Diffusion for Unpaired Test Time Out-of-distribution Text-Image to Video Generation
ReasonDiff 利用多模态 LLM 为不配对文本-图像输入生成逐帧叙事，并通过 AlignFormer 的多阶段时序锚框注意力预测帧级潜变量，为视频扩散模型提供结构化引导，可复用于需要跨模态时序推理的视频生成任务。
ReasonEdit：面向推理增强的图像编辑模型
ReasonEdit: Towards Reasoning-Enhanced Image Editing Models
把冻结的 MLLM 编码器解锁为可推理模块，用「思考—编辑—反思」循环让模型理解抽象指令并自动纠错，为指令式编辑提供了一条不依赖更多配对数据、而靠推理提升精度的可复用范式。
ReHyAt：面向视频扩散 Transformer 的循环混合注意力
ReHyAt: Recurrent Hybrid Attention for Video Diffusion Transformers
把 softmax 注意力的保真度与线性注意力的效率结合成 chunk 级循环形式，并给出从已有双向 softmax 视频扩散模型蒸馏到混合注意力的低成本配方，可直接用于把长视频生成模型扩展到线性复杂度。
ReDirector：用旋转相机编码生成任意长度视频重拍
ReDirector: Creating Any-Length Video Retakes with Rotary Camera Encoding
把相机位姿编码为 RoPE 相位偏移（RoCE），使视频扩散模型能泛化到训练分布外的相机轨迹与任意长度；做相机可控视频生成/重拍时可直接复用这一条件注入方式，替代外挂相机编码器。
Qwen-Image-Layered：通过图层分解实现内在可编辑性
Qwen-Image-Layered: Towards Inherent Editability via Layer Decomposition
把单张 RGB 图分解为多个语义解耦的 RGBA 图层，使编辑只需改动单个图层即可保持其余内容一致；RGBA-VAE 统一 RGB/RGBA 潜变量表示与可变层数 MMDiT 的设计，可直接迁移到需要分层表示的编辑、合成与重渲染流程。
ProcessMaker：基于扩散 Transformer 的自适应序列步骤通用过程可视化框架
ProcessMaker: A Generalized Process Visualization Framework with Adaptive Sequence Steps on Diffusion Transformers
把 DiT 的泛化能力用于多步过程序列生成，用自监督表征对齐替代多专家网络、用稀疏掩码做域区分、用滑动窗口动态决定生成步数，这套「单模型多域+自适应步数」思路可迁移到需要变长生成轨迹的视觉生成任务。
PrITTI：基于基元的可控可编辑三维语义城市场景生成
PrITTI: Primitive-based Generation of Controllable and Editable 3D Semantic Urban Scenes
用向量化物体基元加栅格化地面构成混合表示，替代体素作为三维语义场景的生成载体，使潜扩散模型能在结构化潜空间里做物体级与地面级编辑；做三维场景生成或编辑时可借鉴这种「基元+地面」的紧凑表示与对应的 inpainting/outpainting 流程。
面向扩散 Transformer 的可插拔剪枝与连续层蒸馏
Pluggable Pruning with Contiguous Layer Distillation for Diffusion Transformers
对做扩散 Transformer 生成的人，这套「线性探针定位冗余层区间 + 深度/宽度联合剪枝 + 一次性教师-学生交替蒸馏」的流程可直接迁移到自己的 DiT/MMDiT 骨干上，无需为每个剪枝比例重训即可在 50% 参数下保持生成质量。
PixelDiT：用于图像生成的像素扩散 Transformer
PixelDiT: Pixel Diffusion Transformers for Image Generation
去掉预训练自编码器、直接在像素空间做扩散，并用 patch 级 + pixel 级双层级 DiT 兼顾全局语义与纹理细节，为做图像生成的人提供了一条避免有损重建与误差累积的单阶段端到端路线，可直接迁移到高分辨率文生图训练。
PROMO：面向高效高保真虚拟试衣的可提示换装
PROMO: Promptable Outfitting for Efficient High-Fidelity Virtual Try-On
把虚拟试衣重新表述为结构化图像编辑问题，用 Flow Matching DiT 骨干网络加潜空间多模态条件拼接，并通过自参考机制减少采样步数与推理开销，为需要强主体保持与纹理迁移的可控生成任务提供了可复用的条件注入与加速思路。
OneHOI：统一人体-物体交互生成与编辑
OneHOI: Unifying Human-Object Interaction Generation and Editing
把人体-物体交互建模成角色/实例感知的 HOI token 加布局空间锚定，并用结构化注意力与 HOI RoPE 约束交互拓扑，这套条件注入方式可直接迁移到人物-物体合成、场景布局可控生成等需要多实体关系约束的扩散采样任务。
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。
一个模型，多种预算：面向扩散 Transformer 的弹性潜变量接口
One Model, Many Budgets: Elastic Latent Interfaces for Diffusion Transformers
把 DiT 的计算量与输入分辨率解耦：用可学习、可变长的潜变量序列作为中间接口，配合轻量 Read/Write 交叉注意力在空间词元与潜变量之间搬运信息，并通过随机丢弃尾部潜变量训练出重要性有序的表示，推理时按算力预算截断潜变量数量即可实现连续的延迟-质量权衡。做高分辨率生成或需要在固定算力下部署扩散模型的工作可直接把该模块插进现有 DiT/U-ViT/MM-DiT 主干。
OmniSonic：面向视频与文本的通用整体音频生成
OmniSonic: Towards Universal and Holistic Audio Generation from Video and Text
TriAttn-DiT 用三路交叉注意力分别处理屏内环境声、屏外环境声与语音条件，并以 MoE 门控自适应加权，这种「多条件分支 + 门控融合」的结构可直接迁移到视频到音频、视频到音乐等多模态条件生成任务中；UniHAGen-Bench 也提供了评估视频条件音频生成的评测协议。
Object-WIPER：免训练的视频物体及其关联效果移除
Object-WIPER: Training-Free Object and Associated Effect Removal in Videos
利用预训练视频扩散 Transformer 的交叉注意力与自注意力定位目标物体及其效果，并通过反转-去噪流程在免训练条件下完成视频物体移除与修复，为视频编辑提供可复用的注意力引导与背景保持策略。
OPRO：面向面板感知上下文图像生成的正交面板相对算子
OPRO: Orthogonal Panel-Relative Operators for Panel-Aware In-Context Image Generation
把可学习的面板相对正交算子叠加到冻结的位置编码上，在保持等距性与同面板不变性的同时实现面板感知的上下文条件注入，可直接复用于基于扩散 Transformer 的图像编辑与多面板布局生成管线。
NaTex：作为潜变量颜色扩散的无缝纹理生成
NaTex: Seamless Texture Generation as Latent Color Diffusion
把纹理表示为稠密颜色点云，并用几何感知的点云 VAE 加多控制 DiT 直接在 3D 空间扩散生成颜色，绕开了多视图扩散烘焙带来的遮挡修补、边界对齐和跨视图一致性问题；做 3D 资产纹理、材质生成或网格贴图的人可以直接复用这套潜空间颜色扩散与几何潜变量对齐机制。
NS-Diff：流体纳维-斯托克斯引导的强化学习视频扩散
NS-Diff: Fluid Navier-Stokes Guided Video Diffusion via Reinforcement Learning
把简化的 Navier-Stokes 约束与最小加加速度原理写成可微/策略梯度的奖励，用来微调视频扩散模型，为「生成结果要符合物理」这类需求提供了可复用的 RL 后训练范式；其噪声鲁棒的运动区域检测与物理条件潜变量注入也可直接迁移到其他条件视频生成任务。
NAMI：通过桥接渐进式整流流 Transformer 实现高效图像生成
NAMI: Efficient Image Generation via Bridged Progressive Rectified Flow Transformers
NAMI 通过按分辨率分段使用不同层数的 DiT 并用 BridgeFlow 模块对齐各阶段流，在 1024×1024 生成上减少 64% 推理时间，为视觉生成模型提供了一种可复用的高效多分辨率训练与推理范式。
MultiAnimate：可扩展的姿态引导图像动画
MultiAnimate: Pose-Guided Image Animation Made Extensible
基于 DiT 视频生成框架，用掩码驱动的 Identifier Assigner/Adapter 注入逐人位置线索与人物间空间关系，可复用于任何需要多实例身份解耦的可控视频生成任务。
面向高效流匹配与扩散模型的多 patch 全局到局部 Transformer 架构
Multi-Patch Global-to-Local Transformer Architecture For Efficient Flow Matching and Diffusion Model
把 DiT 各向同性的等尺寸 patch 处理改为「浅层大 patch 抓全局、深层小 patch 修细节」的层次化多 patch 设计，可直接迁移到任何基于 Transformer 主干的扩散/流匹配生成器中，在 GFLOPs 减半的同时保持生成质量；其时间/类别嵌入改进也可作为加速收敛的通用技巧复用。
MotionHiFlow：基于层次化流匹配的文本驱动运动生成
MotionHiFlow: Text-to-Motion via Hierarchical Flow Matching
把流匹配的采样路径按时间尺度分层（低尺度定语义骨架、高尺度补细节），并用跨尺度过渡保持噪声一致性，这一「由粗到细的层次化流路径」思路可直接迁移到视频生成、长时序动作合成等需要兼顾语义对齐与细粒度时序一致性的视觉生成任务。
MeshFlow：基于 MeshVAE 与流式扩散 Transformer 的高效艺术网格生成
MeshFlow: Efficient Artistic Mesh Generation via MeshVAE and Flow-based Diffusion Transformer
用带对比损失的 VAE 把连续顶点坐标与离散连接关系压进一个紧凑的连续潜空间，再用 Rectified-Flow Transformer 并行生成全部顶点与边，为三维网格生成提供了可替代自回归 token 预测的潜空间+流匹配范式。
通过动态图像块采样与块跳过实现扩散 Transformer 的显存高效微调
Memory-Efficient Fine-Tuning Diffusion Transformers via Dynamic Patch Sampling and Block Skipping
面向 DiT 个性化微调，按扩散时间步动态调整图像块尺寸并跳过非关键 Transformer 块、预计算残差特征，可直接迁移到显存受限下的 T2I 定制与少样本适配。
基于表征自编码器的 MeanFlow Transformer
MeanFlow Transformers with Representation Autoencoders
将 MeanFlow 的潜空间训练迁移到 DINO 等预训练视觉编码器的表征自编码器潜空间，并给出稳定训练的两阶段蒸馏方案，为视觉生成模型提供更高效、无需引导的少步采样路径。
Mantis：一种具有解耦视觉预见的通用视觉-语言-动作模型
Mantis: A Versatile Vision-Language-Action Model with Disentangled Visual Foresight
把视觉预见预测从 VLA 骨干网络中解耦，用元查询加 DiT 头在残差连接下做下一状态预测，从而隐式捕获潜动作；这一「解耦式视觉预见」结构可直接迁移到任何需要视觉前瞻辅助动作学习的具身策略中。
MakeAnything：利用扩散 Transformer 进行多领域过程序列生成
MakeAnything: Harnessing Diffusion Transformers for Multi-Domain Procedural Sequence Generation
提出非对称 LoRA 微调策略（冻结编码器、自适应调整解码器）以平衡泛化与任务性能，可复用于其他基于 DiT 的生成任务；同时利用时空一致性约束实现从静态图像生成过程序列，为视觉生成中的时序建模提供思路。
MagicQuill V2：基于分层视觉线索的精确交互式图像编辑
MagicQuill V2: Precise and Interactive Image Editing with Layered Visual Cues
把单一文本提示拆成内容/空间/结构/颜色四层视觉线索并用统一控制模块注入扩散 Transformer，为需要精细局部控制（含物体移除）的编辑任务提供了可复用的条件注入与数据构造思路。
MMFace-DiT：用于高保真多模态人脸生成的双流扩散 Transformer
MMFace-DiT: A Dual-Stream Diffusion Transformer for High-Fidelity Multimodal Face Generation
双流 Transformer 块用共享 RoPE 注意力并行处理空间 token（掩码/草图）与语义 token（文本），避免模态主导，可直接迁移到任何需要同时满足文本语义与结构先验的可控生成任务；Modality Embedder 让单一模型免重训适配不同空间条件，是统一多条件控制的可复用思路。
M4V：面向高效文本到视频生成的多模态 Mamba
M4V: Multimodal Mamba for Efficient Text-to-Video Generation
用双向词元重排加视觉寄存器把 Mamba 的线性复杂度序列建模接入扩散式文生视频主干，在 768x1280 分辨率下比注意力方案省 45% 浮点运算量，可作为高分辨率视频生成中替代全局注意力的可复用模块。
Lynx：面向高保真个性化视频生成
Lynx: Towards High-Fidelity Personalized Video Generation
用 Perceiver Resampler 把 ArcFace 人脸嵌入压成身份 token，再用 Ref-adapter 通过 cross attention 把冻结参考分支的 VAE 密集特征注入 DiT 所有层，是单图身份保持视频生成中可直接复用的双适配器条件注入方案。
通过合成曝光包围实现线性图像生成
Linear Image Generation by Synthesizing Exposure Brackets
把高动态范围线性图像拆成曝光包围序列、再用 DiT 流匹配逐段生成，为需要保留极端高光与阴影的生成任务（HDR 合成、RAW 域生成、专业后期编辑）提供了一个可复用的表示与建模方案。
面向文本到图像扩散 Transformer 中区域与遮挡控制的逐层实例绑定
Layer-wise Instance Binding for Regional and Occlusion Control in Text-to-Image Diffusion Transformers
利用多模态联合注意力中的上下文共享机制，在去噪早期为每个实例建立独立分支并按层序融合成统一潜变量，从而在免训练条件下实现区域布局与遮挡顺序控制；这一「早期潜变量结构重排」思路可直接迁移到 DiT 类生成器的空间可控生成与分层编辑。
LESA：面向扩散模型加速的可学习阶段感知预测器
LESA: Learnable Stage-Aware Predictors for Diffusion Model Acceleration
把扩散采样中的特征缓存从「简单复用/免训练外推」升级为「按噪声阶段分专家、用 KAN 学习时序特征映射」的可训练预测器，可直接套用到 DiT 类图像/视频生成模型的推理加速上，在 FLUX、Qwen-Image、HunyuanVideo 上验证了 5–6 倍加速且质量几乎不掉。
恰逢其时：面向扩散 Transformer 的免训练空间加速
Just-in-Time: Training-Free Spatial Acceleration for Diffusion Transformers
JiT 把扩散 Transformer 的采样加速从时间维度转到空间维度：只对动态选出的稀疏锚 token 计算 ODE，再用确定性 micro-flow 把新增 token 平滑接入潜变量，可直接套用到 FLUX、DiT 类骨干上做免训练推理加速。
InterAgent：基于交互图扩散的物理多智能体指令执行
InterAgent: Physics-based Multi-agent Command Execution via Diffusion on Interaction Graphs
提出交互图外感知表示与稀疏边注意力机制，可迁移到多智能体视觉感知与交互建模任务中，用于显式编码关节间空间依赖并动态剪枝冗余连接。
InnoAds-Composer：面向电商海报生成的高效条件组合
InnoAds-Composer: Efficient Condition Composition for E-Commerce Poster Generation
把主体、字形、风格三类条件以词元形式注入单阶段扩散模型，并按层与时间步的重要性只路由到最敏感位置，这一「条件词元稀疏路由」思路可直接迁移到任何多条件可控生成任务（如多参考图定制化、布局+文本+风格联合控制），避免条件拼接带来的二次开销。
基于扩散的循环一致性学习实现超越配对数据稀缺的高保真虚拟试衣
High-Fidelity Virtual Try-On beyond Paired Data Scarcity via Diffusion-based Cycle-Consistent Learning
提出基于扩散模型循环一致性学习的虚拟试衣框架，利用无配对数据训练统一生成模型，其多准则过滤和感知正则化策略可迁移到其他需要无配对数据的图像编辑任务。
面向视频到语音生成的层级编解码扩散模型
Hierarchical Codec Diffusion for Video-to-Speech Generation
把 RVQ 编解码器的层级结构直接映射为扩散 Transformer 的低层/高层 block，并用唇动、身份、表情分别条件化不同层级，这种「按 token 层级分配视觉条件」的做法可迁移到其他跨模态生成任务（如视频到动作、面部到语音）。
HierEdit：面向高效高分辨率编辑的区域感知分层扩散模型
HierEdit: Region-Aware Hierarchical Diffusion for Efficient High-Resolution Editing
把高分辨率编辑拆成「低分辨率代理定位 + 局部窗口 MMDiT 精修」两级流程，只对改动区域做全分辨率去噪、未改动区域作为条件复用，可直接迁移到 4K 修复/重绘等需要避免全图注意力开销的编辑任务。
异构去中心化扩散模型
Heterogeneous Decentralized Diffusion Models
把 DDPM 与流匹配两种目标在去中心化多专家训练中混用、推理时统一，并给出 ImageNet-DDPM 到流匹配的权重转换方案，为算力受限的视觉生成研究提供了可复用的低成本训练路径。
听见你所见：基于扩散 Transformer 与语义-时序对齐排序直接偏好优化的视频到音频生成
Hear What You See: Video-to-Audio Generation with Diffusion Transformer and Semantic-Temporal Alignment-Ranked Direct Preference Optimization
把视频帧与文本线索作为多模态条件注入 co-attention 扩散 Transformer，并用按语义-时序对齐排序构造偏好对的 DPO 微调扩散采样过程，这套「自动排序候选 + 偏好微调」的流程可直接迁移到其他以视觉为条件的生成任务（如视频生成、可控图像生成）中提升条件对齐度。
面向细粒度图像生成的按检测头自适应旋转位置编码
Head-wise Adaptive Rotary Positional Encoding for Fine-Grained Image Generation
把标准多维 RoPE 换成按检测头自适应、经 SVD 参数化的可学习旋转映射，可直接作为现有 DiT/Flux 类图像生成主干的位置编码替换件，改善细粒度空间关系与计数能力，且不破坏相对位置性质。
HandWorld：以手为中心的统一视频动作生成
HandWorld: Hand-Centric Unified Video Action Generation
用双分支条件网络把视频域与动作域对齐成共享条件，再由两个解耦的扩散 Transformer 分别生成，这种「共享条件 + 分域解耦生成」的范式可直接迁移到其他需要联合生成视觉与结构化信号的设定（如轨迹+视频、音频+视频）。MANO 渲染手部作为中间输入提升跨域一致性的做法，对手物交互视频生成与动作预测都有参考价值。
以扩散 Transformer 自身的内部动态引导其生成
Guiding a Diffusion Transformer with the Internal Dynamics of Itself
提出一种无需额外训练或采样步数的引导方式：训练时对中间层加辅助监督，采样时对中间层与深层输出做外推，可直接替换或叠加 CFG 用于 DiT 类扩散模型，在低训练轮次下显著降低 FID。
组扩散：通过解锁跨样本协作增强图像生成
Group Diffusion: Enhancing Image Generation by Unlocking Cross-Sample Collaboration
把注意力从单张图内的 patch 扩展到一组图像之间，在推理阶段联合去噪，是一种无需重训即可插到现有 DiT 上的推理策略；做图像生成的人可以直接试「组大小」这一新超参，并用其提出的定性指标监控跨样本注意力强度与 FID 的相关性。
GeoRelight：用灵活多模态扩散 Transformer 联合学习几何重光照与重建
GeoRelight: Learning Joint Geometrical Relighting and Reconstruction with Flexible Multi-Modal Diffusion Transformers
把重光照与单图三维几何估计放进同一个多模态 DiT 联合求解，并用与潜变量扩散兼容的无畸变 NDC-正交深度表示 iNOD 作为几何接口，可直接复用到需要几何一致性的图像重光照、逆渲染与单图重建任务。
GeoRK2：面向扩散 Transformer 加速的几何引导 Runge-Kutta 积分
GeoRK2: Geometry-Guided Runge-Kutta Integration for Diffusion Transformer Acceleration
把二阶 Runge-Kutta 积分器与由噪声预测导出的曲率感知几何流结合，用激活协方差估计特征度量来约束大步长下的误差传播，可直接替换现有 DiT/视频扩散模型的采样器，实现免训练 4-5 倍加速。
GeoDiT：面向地理空间理解的基于扩散的视觉语言模型
GeoDiT: A Diffusion-based Vision-Language Model for Geospatial Understanding
把地理空间视觉语言生成从自回归序列解码换成扩散式并行精修，对做遥感 captioning、visual grounding 和多目标检测的人提供了一个可直接替换解码范式的思路，尤其适合需要结构化、对象级输出的场景。
GenMask：通过直接掩码生成适配 DiT 的分割方法
GenMask: Adapting DiT for Segmentation via Direct Mask Generation
将分割视为生成任务，直接用 DiT 在 RGB 空间生成二值掩码，省去特征提取流程；其针对二值掩码的极端噪声时间步采样策略可复用于其他生成式密集预测任务。
从草图到湿壁画：渐进分辨率的 Efficient 扩散 Transformer
From Sketch to Fresco: Efficient Diffusion Transformer with Progressive Resolution
把「低分辨率起草 + 高分辨率精修」做成跨阶段对齐同一目标的免训练采样框架，可直接套到 FLUX、HunyuanVideo 等 DiT 上，并与蒸馏、量化、特征缓存正交叠加，是降低迭代采样成本的可复用加速手段。
预测主成分、稳定残差：面向扩散 Transformer 的子空间感知特征缓存
Forecast the Principal, Stabilize the Residual: Subspace-Aware Feature Caching for Diffusion Transformers
对做扩散 Transformer 采样加速的人，可直接把 SVD 分解 + 主/残差子空间差异化预测（主成分 EMA 预测、残差直接复用）作为免训练缓存策略，替换现有均匀缓存，并可与蒸馏、量化、稀疏注意力叠加。
FoleyDirector：通过结构化脚本实现视频到音频生成的细粒度时序引导
FoleyDirector: Fine-Grained Temporal Steering for Video-to-Audio Generation via Structured Scripts
FoleyDirector 在 DiT 架构上通过结构化时序脚本和时序脚本注意力实现细粒度时序控制，为视觉研究者提供了一种可复用的时序条件注入机制，尤其适用于多事件或视觉线索不足（如小区域、画外音、遮挡）的视频到音频生成场景。
无需数据的流映射蒸馏
Flow Map Distillation Without Data
把流映射蒸馏的数据依赖替换为仅从先验分布采样，并显式校正学生沿采样路径的累积误差，可直接用于把任意预训练扩散/流模型压到 1 步采样而不需要外部数据集。
基于多模态流匹配的少样本声学生成
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。
FE2E：从编辑器到密集几何估计器
FE2E: From Editor to Dense Geometry Estimator
将预训练的图像编辑模型（DiT 架构）微调为密集几何预测器，利用其固有结构先验，并通过一致速度训练目标和对数量化解决精度冲突，为单目深度/法线估计提供新范式。
ExpPortrait：通过个性化表征生成富有表现力的肖像
ExpPortrait: Expressive Portrait Generation via Personalized Representation
用高保真个性化头部表征（静态身份几何+动态表情细节）替代 2D landmark/参数化模型作为条件信号，驱动 DiT 生成肖像视频；做肖像动画或可控视频生成时，这套解耦表征与表情迁移模块可直接作为条件编码方案复用。
EffectMaker：统一推理与生成实现定制化视觉效果创作
EffectMaker: Unifying Reasoning and Generation for Customized Visual Effect Creation
用多模态大语言模型做高层特效语义推理、扩散 Transformer 通过上下文学习从参考视频提取细粒度视觉线索，形成语义-视觉双路引导，实现无需逐特效微调的参考驱动视频特效合成，可直接迁移到风格化视频编辑与参考引导的可控生成。
Edit2Perceive：图像编辑扩散模型是强大的密集感知器
Edit2Perceive: Image Editing Diffusion Models Are Strong Dense Perceivers
把图像编辑扩散模型（FLUX.1 Kontext）当作密集预测骨干，用像素空间一致性损失约束中间去噪状态、单步确定性推理出深度/法线/抠图，为视觉研究者提供一条替代 T2I 生成式骨干的 image-to-image 密集感知路线。
DyaDiT：面向社交友好双人手势生成的多模态扩散 Transformer
DyaDiT: A Multi-Modal Diffusion Transformer for Socially Favorable Dyadic Gesture Generation
把扩散 Transformer 用于双人对话场景的联合运动生成，通过融合双方音频与可选的社会语境 token、并允许以对话伙伴的手势作为条件，为多人交互式人体动作生成提供了可复用的条件融合与响应式建模思路。
DuoGen：迈向自主交错多模态生成
DuoGen: Towards Autonomous Interleaved Multimodal Generation
用预训练 MLLM 做视觉理解、用视频预训练 DiT 做图像生成，再以两阶段解耦对齐把两者拼成交错图文生成器，为视觉研究者提供了免单模态预训练即可搭建统一生成模型的可行路径，以及交错图文评测基准。
DreamSR：基于感受野增强扩散 Transformer 的超高分辨率图像超分辨率
DreamSR: Towards Ultra-High-Resolution Image Super-Resolution via a Receptive-Field Enhanced Diffusion Transformer
针对大分辨率图像分块推理时全局提示词与局部图像块语义错位导致的过度生成问题，提出双分支 MM-ControlNet：用图像块级提示词生成局部文本特征、用全局提示词提供全局文本特征，并配合感受野增强训练策略；这套「全局-局部提示词对齐 + 感受野增强」思路可直接迁移到其他基于扩散模型的大图分块生成任务（如修复、编辑）。
DiverseDiT：面向扩散 Transformer 中多样化表征学习
DiverseDiT: Towards Diverse Representation Learning in Diffusion Transformers
对做 DiT 图像生成的人，这篇给出了一个可直接插入任意 DiT 主干的正则手段：跨块长残差连接 + 表征多样性损失，用来替代或补充 REPA 式外部编码器对齐，并报告了收敛加速与一步生成下的收益。
DisCa：面向视频扩散 Transformer 的蒸馏兼容可学习特征缓存加速
DisCa: Accelerating Video Diffusion Transformers with Distillation-Compatible Learnable Feature Caching
用轻量可学习神经预测器替代无训练启发式特征缓存，并与步数蒸馏联合优化，可直接迁移到任意视频扩散 Transformer 的少步推理管线中以降低采样开销。
DiffDecompose：基于扩散 Transformer 的 Alpha 合成图像逐层分解
DiffDecompose: Layer-Wise Decomposition of Alpha-Composited Images via Diffusion Transformers
把扩散 Transformer 当作后验采样器来解 alpha 合成图像的逐层分解，其 In-Context Decomposition 与 Layer Position Encoding Cloning 可直接迁移到去遮挡、透明物体分离、图层化编辑等需要多图层一致输出的视觉任务。
DiT360：通过混合训练实现高保真全景图像生成
DiT360: High-Fidelity Panoramic Image Generation via Hybrid Training
针对全景图像生成中边界不连续和畸变问题，提出在 VAE 前后分别进行域间转换与域内增强的混合训练策略，包括循环填充、偏航损失和立方体损失，可复用于其他需要保持几何一致性的生成任务。
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。
DiT-Distill：通过生成式课程知识实现开放集细粒度检索
DiT-Distill: Open-Set Fine-Grained Retrieval via Generative Curriculum Knowledge
把 DiT 多时间步的生成式知识通过课程对齐损失蒸馏进轻量骨干网络，实现免 DiT 推理，为视觉检索/表征学习提供了一条「用生成模型当教师、按扩散时间步组织课程」的可复用蒸馏范式。
DiP：在像素空间中驯服扩散模型
DiP: Taming Diffusion Models in Pixel Space
把高分辨率像素空间扩散拆成「大图像块上的全局结构 + 轻量细节检测头恢复局部细节」两阶段，可在不依赖 VAE 的前提下把像素空间扩散的推理成本压到 LDM 水平，做高分辨率图像生成或想摆脱 VAE 信息损失时可直接复用这一解耦范式。
去噪即路径规划：基于 DPCache 的扩散模型免训练加速
Denoising as Path Planning: Training-Free Acceleration of Diffusion Models with DPCache
把扩散采样中「跳过哪些时间步」从局部启发式升级为基于路径代价张量 + 动态规划的全局调度，可直接套用到 DiT/FLUX/视频扩散等任意迭代采样器的免训练加速上，是缓存类加速方法（DeepCache、TeaCache 等）的通用改进思路。
DeCo：面向端到端图像生成的频率解耦像素扩散
DeCo: Frequency-Decoupled Pixel Diffusion for End-to-End Image Generation
把高频细节交给轻量像素解码器、让 DiT 专注低频语义的频率解耦思路，可直接迁移到任何在像素空间做扩散/流匹配的生成框架，用来降低训练与采样成本；配套的频率感知流匹配损失也可复用于其他扩散模型的损失设计。
DDiT：面向高效扩散 Transformer 的动态图像块调度
DDiT: Dynamic Patch Scheduling for Efficient Diffusion Transformers
把 DiT 固定的图像块划分换成随去噪时间步与内容复杂度变化的动态图像块尺寸，是一种无需训练、即插即用的推理加速手段，可直接套用到 FLUX、Wan 等基于 Transformer 的扩散生成模型上，在几乎不损失生成质量的前提下减少 token 数量。
DDT：解耦扩散 Transformer
DDT: Decoupled Diffusion Transformer
把扩散 Transformer 的编码器与速度解码器解耦，让编码器专注低频语义、解码器专注高频细节，可直接迁移到任何 DiT 类骨干（如 DiT、SiT、UViT）以加速收敛；其相邻去噪步共享自条件的统计动态规划策略，也为少步推理与缓存复用提供了可复用的调度思路。
DA-VAE：通过细节对齐为扩散模型提供可插拔的潜变量压缩
DA-VAE: Plug-in Latent Compression for Diffusion via Detail Alignment
提出一种可插拔的潜空间压缩方案，通过显式潜变量布局和细节对齐正则，在几乎不重新训练扩散模型的情况下将 token 数减少 4 倍，为高分辨率扩散生成提供高效路径。
面向高效视频扩散的内容感知动态图像块划分
Content-Aware Dynamic Patchification for Efficient Video Diffusion
把「固定图像块划分」换成由轻量 router 从 3D VAE latent 预测每个时空区域的 patch 大小，并配可学习的 patchify/unpatchify 层，可直接插到现有 DiT 骨干上；做视频/图像扩散加速时，这是一个无需改架构就能减少词元数的即插即用方案，其注意力引导的显著性对齐损失也可迁移到其他词元压缩方法。
ConsID-Gen：视角一致且身份保持的图像到视频生成
ConsID-Gen: View-Consistent and Identity-Preserving Image-to-Video Generation
用无位姿辅助视角增强首帧、经双流视觉-几何编码器与文本-视觉连接器融合语义与结构线索，为 Diffusion Transformer 提供统一条件，可直接借鉴到任何需要多视角一致性的条件视频生成任务中。
通过概念-提示词绑定组合来自图像和视频的概念
Composing Concepts from Images and Videos via Concept-prompt Binding
提出通过绑定视觉概念与提示词词元，在扩散 Transformer 的交叉注意力中实现单样本概念组合，可复用于个性化生成与视频编辑中的概念解耦控制。
扩散 Transformer 中空间关系生成的电路机制
Circuit Mechanisms for Spatial Relation Generation in Diffusion Transformers
用电路级（cross-attention head 级）机制分析拆解 DiT 如何从文本 token 读取空间关系，为诊断和修复文生图模型的空间关系失败提供了可复用的分析范式：从零训练受控小模型、按文本编码器类型对比内部电路，并据此解释 OOD 鲁棒性差异。
ChArtist：统一空间与主体控制生成图案化图表
ChArtist: Generating Pictorial Charts with Unified Spatial and Subject Control
提出基于骨架的空间控制表示与 Spatially Gated Attention，用于在 DiT 中解耦空间结构与主体外观，可复用于需要同时控制布局和参考外观的生成任务。
视频扩散模型中的因果性可与去噪分离
Causality in Video Diffusers is Separable from Denoising
把视频扩散模型中的时序因果推理与多步去噪解耦：用因果 Transformer 编码器每帧只做一次时序建模，再用轻量扩散解码器做逐帧多步渲染，可直接迁移到自回归视频扩散的加速与架构改造。
面向自回归动作生成的因果动作扩散模型
Causal Motion Diffusion Models for Autoregressive Motion Generation
把因果扩散强制（causal diffusion forcing）与逐帧采样调度引入潜空间扩散 Transformer，为视觉领域实现流式、低延迟的自回归序列生成（如视频、动作序列）提供了可复用的时序因果去噪范式。
CaliTex：面向视图一致 3D 纹理生成的几何校准注意力
CaliTex: Geometry-Calibrated Attention for View-Coherent 3D Texture Generation
把注意力路由与语义部件对齐、几何条件绑定，是解决多视图扩散生成中跨视图不一致的可复用思路；做 3D 纹理/多视图生成的人可直接借鉴 Part-Aligned 与 Condition-Routed 两个注意力改造模块。
CG-Floor：质心引导扩散的大规模平面图生成
CG-Floor: Centroid-Guided Diffusion for Large-Scale Floorplan Generation
用质心热图作为结构化条件引导潜扩散 Transformer 生成非曼哈顿房间形状，这种「语义质心+尺寸热图」的条件编码方式可迁移到室内场景布局、矢量图形生成等需要显式解耦位置与形状的任务。
CARE-Edit：面向上下文图像编辑的条件感知专家路由
CARE-Edit: Condition-Aware Routing of Experts for Contextual Image Editing
用轻量潜变量注意力路由器按多模态条件与扩散时间步把 token 稀疏路由到 Text/Mask/Reference/Base 四个专家，可直接迁移到任何多条件 ControlNet 式编辑器中以缓解条件冲突与颜色渗漏。
BuildAnyPoint：从多样点云中抽象结构化三维建筑
BuildAnyPoint: 3D Building Structured Abstraction from Diverse Point Clouds
把「点云分布恢复」当作条件潜扩散任务、再用 decoder-only Transformer 自回归生成紧凑网格的两阶段级联思路，可直接迁移到稀疏/噪声点云驱动的结构化三维生成与补全；其恢复出的点云还能作为点云补全的中间表示来提升表面精度与分布均匀性。
BiGain：面向生成与分类联合任务的统一词元压缩
BiGain: Unified Token Compression for Joint Generation and Classification
对做扩散模型加速的人，这篇给出了一个免训练、即插即用的词元压缩方案：用拉普拉斯门控的词元合并保留高频边缘纹理，用最近邻与平均池化之间的可控内插外推来压缩 KV，从而在同等加速比下同时保住生成质量与判别能力，可直接套用到 DiT/U-Net 骨干的推理管线中。
超越固定公式：面向高效扩散模型的数据驱动线性预测器
Beyond Fixed Formulas: Data-Driven Linear Predictor for Efficient Diffusion Models
把手工设计的 Taylor 式特征外推系数换成按时间步学习的线性权重，只需少量缓存轨迹、单卡约 20 秒即可训好，可直接插到 DiT/FLUX/Qwen-Image 等现有采样管线上做免训练加速，是特征缓存类加速方法的一个即插即用替换件。
BAgger：用于缓解自回归视频扩散模型漂移的反向聚合方法
BAgger: Backwards Aggregation for Mitigating Drift in Autoregressive Video Diffusion Models
针对自回归视频扩散模型的曝光偏差问题，BAgger 用模型自身 rollout 构造纠错轨迹，并以标准 score/flow matching 目标训练，无需少步蒸馏或长链 BPTT；做长视频自回归生成或世界模型时可作为缓解误差累积的通用训练策略。
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。
通过异构缓存加速基于扩散的视频编辑：超越在采样去噪时间步上的全量计算
Accelerating Diffusion-based Video Editing via Heterogeneous Caching: Beyond Full Computing at Sampled Denoising Timestep
对做视频扩散编辑的人，HetCache 提供了一种免训练、可插拔的 DiT 推理加速手段：按空间先验把时空 token 分为上下文 token 与生成 token，只缓存与生成 token 相关性最强的上下文 token，从而跳过冗余注意力计算，可直接套用到 MV2V 类编辑管线以降低延迟与浮点运算量。
在极小预算下加速扩散模型训练：基于数据集蒸馏的视角
Accelerating Diffusion Model Training under Minimal Budgets: A Condensation-Based Perspective
把数据集蒸馏引入扩散模型训练：用扩散难度分数加区间采样挑出极小子集，再用语义/视觉表征增强条件信号，可在 0.8% ImageNet 上把 SiT-XL/2 训练步数压到 40k，为低预算下的扩散训练提供可直接复用的数据侧加速方案。