Tag · 4 篇

离散扩散模型

分布生成模型与扩散2视觉语言模型13D 视觉与重建1

Towards GUI Agents: Vision-Language Diffusion Models for GUI Grounding

将离散扩散视觉语言模型（如 LLaDA-V）用于 GUI 视觉定位任务，提出线性与确定性混合的掩码调度以捕捉边界框的层次几何结构，为视觉定位提供了一种非自回归的并行生成范式。

Sparse-LaViDa: Sparse Multimodal Discrete Diffusion Language Models

对做视觉生成/编辑的人，这篇给出了一个可直接套用的加速手段：在掩码离散扩散的每一步采样中动态截断冗余的掩码 token，并用 register token 保留其信息、用匹配的注意力掩码对齐训练与推理，从而在文本到图像生成与图像编辑上获得约 2 倍加速而不掉质量。

RebRL: Reinforcing Discrete Visual Diffusion Models with Rebalanced Timestep Credits

针对离散扩散（掩码生成）模型在 RL 微调时各时间步信用分配不均的问题，提出按掩码阶段重新平衡时间步权重的即插即用策略，可直接用于改进视觉生成模型的 RLHF/偏好对齐训练流程，并减少约 40% 训练步数。

DICArt: Advancing Category-level Articulated Object Pose Estimation in Discrete State-Spaces

将类别级铰接物体姿态估计建模为离散扩散过程，利用分层运动学耦合和流决策器在离散状态空间中逐步去噪，为复杂铰接物体的 6D 姿态估计提供了新思路。