清华与腾讯联合研发的Scene Splatter模型基于视频扩散技术，从单张图像生成高保真3D场景，解决了几何扭曲和一致性问题。该模型通过动量引导生成多视角视频，显著提升三维场景重建效果。

何恺明的新论文提出了一种名为Dispersive Loss的正则化方法，旨在提升扩散模型的生成效果。该方法无需预训练和数据增强，通过正则化中间表示来增强特征分散性，简化实现并提高生成质量。实验结果显示，Dispersive Loss在多种模型上显著改善生成效果，具有广泛的应用潜力。

谷歌的Gemini Diffusion模型利用扩散技术，在12秒内生成1万tokens，速度比传统模型快2000倍。该模型通过逐步优化噪声生成文本，支持非因果推理，提升生成质量和一致性。

本研究提出了一种新方法，结合领域适应算法、GAN和扩散模型，解决城市森林树木检测中的低分辨率图像分析问题。实验结果表明，该方法在树木分割上提高了超过50%的IoU指标，显示出在遥感领域的应用潜力。

本研究提出了一种新方法，通过识别嵌入空间中的语义方向向量，限制扩散模型生成的不安全内容，增强模型对潜在不安全提示的鲁棒性，有效减少NSFW内容和社会偏见。

本研究提出了一种新方法DisCo，旨在解决冷启动场景下用户与捆绑商品交互稀疏的问题。通过个性化扩散骨干网络和用户兴趣解耦特征，DisCo在真实数据集上超越了五个基准，展示了冷启动推荐的潜力。