机器之心数据服务已上线，提供高效稳定的数据获取，简化数据爬取流程。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

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。

本研究提出了一种结合领域适应算法与GAN和扩散模型的方法，旨在解决城市森林树木检测中低分辨率图像分析的挑战。该方法在增强航空图像质量的同时保持语义内容，实现了有效的树木分割，实验结果显示IoU指标提升超过50%。

本研究提出了一种有效的超参数调优方法μP，应用于扩散变换器，显著提升了模型的收敛速度和扩展性，尤其在文本到图像生成任务中表现突出，同时降低了调优成本。

本研究分析了基础模型在对抗输入下的脆弱性，评估了扩散去噪平滑技术的效果。结果表明，高噪声扩散显著降低模型性能，而低噪声设置则保护不足。此外，提出了一种新攻击策略，揭示了鲁棒性与性能之间的权衡。

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，将文本嵌入限制在安全区域，以应对扩散模型生成不安全内容和社会偏见的问题。该方法增强了模型对潜在不安全提示的鲁棒性，并在多个基准数据集上显著减少了NSFW内容和社会偏见。

谷歌DeepMind推出了Gemini Diffusion模型，这是一个先进的文本扩散模型，能够快速将随机噪声转化为连贯的文本或代码，并保持良好的编码性能。团队将继续优化该模型以降低延迟。

本研究提出了一种自适应双向循环扩散（ABCD）框架，旨在克服现有推理时间扩展方法的局限性。该框架通过双向扩散循环优化输出，自适应控制探索深度和终止条件，从而提高多种任务的性能和计算效率。

本研究提出RefiDiff框架，针对高维混合数据集中的非随机缺失值插补问题。该框架结合局部机器学习与去噪网络，显著提升性能和准确性，训练速度提高4倍，展现出优越的鲁棒性和可扩展性。

本研究提出了CtrlDiff，一个动态可控的半自回归框架，旨在解决大型扩散语言模型在生成长度和控制机制方面的限制。通过强化学习自适应生成块大小，并引入分类器引导控制机制，显著提升了模型在多样化任务中的文本生成能力。

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。

本研究提出了一种去噪扩散概率模型（DDPM-PCC），用于低比特率点云压缩。该模型通过PointNet编码器生成条件向量，并利用可学习向量量化器进行量化，显著提高了比特率-失真性能，优于现有技术。

本研究提出了一种基于Koopman理论的离线蒸馏框架，旨在降低扩散生成模型的计算成本。该框架通过编码噪声输入实现单步生成，保持语义一致性，并在标准测试中将FID得分提高了40%。

本研究提出了NCDPO框架，旨在解决扩散策略在决策场景中因示范数据的亚最优和有限覆盖导致的次优轨迹生成问题。通过将扩散策略重构为噪声条件下的确定性策略，实现了可追踪的似然评估和梯度反向传播，显著提高了样本效率，并在多项基准测试中优于现有方法。

本研究探讨了核反应堆中中子通量空间分布的重建问题，采用基尔霍夫-赫尔姆霍兹方程作为框架，提出了一种数据驱动的格林函数近似方法，验证了其可靠性和唯一性，旨在提升核反应堆的安全监测与性能分析。

本研究提出了过去令牌预测（PTP）作为辅助任务，以解决从演示中学习长上下文策略的挑战。该方法显著提升了时间建模能力和策略训练效率，使长上下文扩散策略的性能提高了3倍，训练速度加快超过10倍。