Tag · 4 篇

权重生成

分布生成模型与扩散2自监督与表征学习2

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。

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。

GeoSANE: Learning Geospatial Representations from Models, Not Data

把「预训练一个模型」换成「从已有模型权重生成新模型权重」，为视觉研究者提供了一条不依赖海量数据、直接复用多个基础模型互补知识的迁移路径，尤其适合遥感等标注稀缺、模态多样的场景下快速产出可微调骨干。

Generative Modeling of Weights: Generalization or Memorization?

对做生成模型的人是一个警示性评测框架：它给出「复制/插值 vs 真正新样本」的判别思路（与训练 checkpoint 的距离、与加噪/权重集成的基线对比），可直接迁移到图像生成中检测扩散模型是否只是在记忆训练集。