本文提出了一种基于一致性约束的得分匹配方法，显著提升了CIFAR-10、AFHQ和FFHQ数据集的生成效果。研究利用潜在一致性模型解决高分辨率图像合成中的计算负担，提出了Stochastic Consistency Distillation方法，加快文本到图像生成过程，减少训练时间并提高生成图像质量，最终在多个数据集上实现了优于现有模型的效果。

神经微分方程将深度学习与动力系统结合，应用于时间序列、生成式问题和物理建模。研究表明，其在等离子体动力学、离子运输等任务中优于纯物理或纯神经模型，并能从不规则采样数据中高效学习。但训练时间长制约大规模应用，需加速训练并提升可扩展性。

该文综述了神经辐射场（NeRF）的多项改进：结合mip-NeRF 360与网格模型，误差降低8%-76%，训练提速22倍；利用密度体素网格与浅层网络将训练时间缩至15分钟；通过带纹理多边形实现快速推理；采用隐式-显式结合重建反射场景；体积-表面平滑过渡提升保真度并支持动画；混合NeRF实现实时高质量合成；优化不透明度提升NeRF-SLAM速度与精度；稀疏像素网格高效生成三维场景；体素网格快速变形辐射场处理动态场景，20分钟训练媲美D-NeRF且快70倍；并生成可泛化人脸可视化。

该文综述了指数移动平均（EMA）在深度学习优化中的应用，涵盖BELAY算法、缩放规则、GAN参数平均、双教师伪标签、EMAN归一化、半监督语音识别、Admeta优化器、SWA权重平均及Bloop双层优化等方法，表明EMA能提升泛化能力并缩短训练时间。

本文综述多种加速Transformer语言模型训练的方法，包括渐进式层丢弃（节省24%时间、预训练提速2.5倍）、Apollo低价值优先采样与权重共享、复合缩放（使BERT预训练加快73.6%至82.2%），以及SRNets子网络、自适应随机路径选择、mRASP多语言预训练和ReLoRA低秩训练等，兼顾效率与性能。

本研究提出了一种简单但强大的方法来识别场景文本，使用全局特征引导注意力的二维卷积神经网络和序列解码器。该方法在训练时只使用单词级别的注释，能够获得较快的加速。在评估中，该方法在正常和不规则的场景文本上表现出最先进或竞争性的识别性能。

高频率促进适应（HiPA）是一种参数高效的方法，通过训练一步、低秩适配器来增强先进扩散模型中高频率能力的不足，使其能够在单一步骤中生成高质量图像。与渐进蒸馏相比，HiPA 在一步文本到图像生成中具有更好的性能（FID-5k 在 MS-COCO 2017 上从 37.3 降至 23.8），并具有 28.6 倍的训练加速（108.8 到 3.8 A100 GPU 天），仅需要 0.04％的训练参数（77.4 亿降至 330 万）。