扩散模型在图像生成方面取得了重要进展，但由于推理步骤多和分辨率限制，实际应用受到制约。为提高效率和图像保真度，提出了GenDR和GenDR-Pix模型，优化了VAE和UNet，支持高分辨率图像处理，增强了细节恢复效果，推动生成技术与实际业务的结合。

何恺明团队在arXiv发布了《Generative Modeling via Drifting》论文，提出了Drifting Models生成模型，训练时分布逐步漂移，推理时仅需一步生成，速度提升100倍，质量更佳，标志着生成模型领域的重要转折，期待广泛应用。

扩散模型Mercury 2成为最快的生成模型，生成速度达到每秒1009个tokens，比传统自回归模型快5倍。其并行优化机制提升了生成速度，并在性能和成本上具有优势。Inception Labs专注于扩散模型，致力于突破速度与成本的瓶颈。

在极低光照条件下，高质量摄影对数码相机构成挑战。传统图像处理算法逐渐被深度网络取代，但现有模型常导致低光照片过度平滑。我们提出了一种新框架，利用重任务预训练的生成扩散模型增强低光原始图像，实验结果表明该方法在感知质量上优于现有技术。

本研究探讨了扩散变换器（DiTs）在文本到图像生成中的应用，比较了多种架构和训练策略。结果表明，标准DiT在参数效率上优于专门模型，同时DiT-Air和DiT-Air-Lite在性能上也表现出色。

标准离散扩散模型将未观察状态映射到吸收标记，导致信息丢失。我们提出了连续增强离散扩散（CADD）框架，通过在连续潜在空间中配对扩散，增强离散状态空间。CADD在每个反向步骤中利用连续潜在向量作为语义提示，提升生成质量，适用于文本生成、图像合成和代码建模。

开发者在编写代码时需要频繁编辑和调试，非线性生成代码。扩散大语言模型（d-LLMs）通过同时考虑过去和未来的上下文，更有效地模拟这种迭代过程。与自回归模型相比，d-LLMs能更灵活地处理局部修改和全局一致性，适合代码重构和上下文编辑。尽管存在一些局限性，但它们在代码生成和编辑方面展现出新的可能性。