何恺明CVPR最新讲座PPT上线：走向端到端生成建模
何恺明在CVPR会议上分享了关于识别模型演进与生成模型未来方向的见解，他提出了一种名为MeanFlow的新方法用于实现单步生成任务，并介绍了多种研究方向和问题。
何恺明
何恺明新作：给扩散模型加正则化，无需预训练无需数据增强，超简单实现性能提升
研究者提出一种新的正则化方法Dispersive Loss，旨在改进扩散模型生成图片的效果。该方法不需要定义正样本对，通过鼓励中间表示的分散性来提高模型的泛化能力和生成质量。论文在ImageNet数据集上进行了测试，并展示了其有效性。
何恺明等新作大道至简，瞬时速度改为平均速度，一步生成表现提升70%
CMU博士生耿正阳等人提出的新模型MeanFlow无需预训练或课程学习，一步生成ImageNet图像便达到3.43的FID值，显著优于现有技术。
何恺明团队又发新作： MeanFlow单步图像生成SOTA，提升达50%
大神何恺明发布新作《Mean Flows for One-step Generative Modeling》，提出一种名为 MeanFlow 的单步生成建模框架，通过引入平均速度的概念，在 ImageNet 256×256 数据集上取得了显著优于以往单步扩散/流模型的结果，FID 分数达到3.43。
驯服AI，更懂物理！何恺明团队提出全新DHN「去噪哈密顿网络」
何恺明团队提出去噪哈密顿网络(DHN)，将哈密顿力学融入神经网络，突破传统局部时间步限制，并引入独特去噪机制，在物理推理任务中表现卓越。
重磅论文！何恺明、Yann LeCun等改造Transformer，CVPR 2025已收录
Transformer模型可能迎来新变化。一篇最新论文提出无需归一化的Transformer模型能够达到甚至超过带有归一化层的性能，通过动态双曲正切函数（DyT）替代传统归一化层，有望进一步改进AI模型性能。
何恺明LeCun联手改造Transformer！9行代码替代归一化层，性能不减还加速
何恺明和LeCun团队提出替代Transformer归一化层的DyT方法，其性能达到或超过标准Transformer。通过几行PyTorch代码实现，适用于多种任务和模型架构。
何恺明带队驯服AI更懂物理！去噪方法+哈密顿网络，清华校友一作
何恺明团队提出一种结合哈密顿神经网络的去噪方法，旨在让AI更懂物理。该方法采用Block-wise哈密顿量和掩码建模策略来改进传统HNN，并通过实验展示了其在正向模拟、表征学习和轨迹插值任务中的优势。
ICLR 2025 高分论文！何恺明和刘壮提出：数据集偏差的十年之战
MIT副教授何恺明的新研究揭示，尽管过去十多年里业界为构建更大、更多样化数据集做了努力，但现代神经网络似乎越来越善于‘识破’并利用这些数据集中潜藏的偏差。此发现引发对消除数据集偏差是否已取得胜利的质疑。