扩散模型归档 - 每时AI

NeurIPS 2024 TextHarmony：和谐统一的多模态文字理解与生成大模型

上午8时 2025/06/12 作者极市干货

TextHarmony是首个在单一模型中实现视觉文本感知、理解与生成任务的OCR研究，通过ViT+MLLM+Diffusion架构及Slide-LoRA缓解模态不一致问题，显著提高OCR相关任务性能。

LLM 自回归做理解，MaskGIT 方案做生成！VILA‑U：一个模型搞定图像理解、视频理解和生成，简洁而强大

下午11时 2025/06/09 作者极市干货

kGIT 方案做生成的生成理解统一模型。
>>
加入极市CV技术交流群，走在计算机视觉的最前沿
太长

ICLR 2025｜一个 Transformer 统一多模态理解和生成！Show-o：LLM 自回归做理解，MaskGIT做生成

上午8时 2025/05/31 作者极市干货

生成任务相统一的Transformer模型
Show-o，它通过结合自回归和离散扩散建模，创新性地用

无需借助DINOv2！DiT自表征对齐：用自蒸馏取代 REPA，高效提高生成性能

上午8时 2025/05/29 作者极市干货

方法，通过自蒸馏的方式就可获得表征指导，实验结果表明，将 SRA 应用于 DiTs 和 SiTs 会

无需外部组件！DiT自表征对齐黑科技：扩散模型的高效进化密码

下午4时 2025/05/28 作者 PaperWeekly

formers without External Components
论文链接：
https://

与Gemini Diffusion共振！首个扩散式「发散思维链」来了

下午11时 2025/05/26 作者机器之心

扩散式「发散思维链」—— 一种面向扩散语言模型的新型大模型推理范式。该方法将反向扩散过程中的每一步中

19岁少年「破解」谷歌新AI？每秒1479 token，扩散再战GPT!

下午11时 2025/05/23 作者新智元

emini Diffusion，引爆社交平台。真相扑朔迷离，但有一点毫无疑问：谷歌I/O大会的「黑马

45倍加速！REPA-E：以端到端的方式联合微调 VAE 和 LDM

下午11时 2025/05/19 作者极市干货

VAE 和 LDM，以实现最佳生成性能？
>>
加入极市CV技术交流群，走在计算机视觉的最前沿
太长