Update (6/10/2025): This blog was updated to reflect that testing was done using the Speedometer 3.1 benchmark, and resulted in a 22% performance improvement. The previous version incorrectly...

本研究提出ZSharp方法，旨在解决深度神经网络优化中收敛至降低鲁棒性的尖锐极值问题。通过层级Z-score标准化和百分位数过滤，提升模型的泛化能力。实验结果表明，ZSharp在多个数据集和模型上优于传统方法。

本研究解决了扩散模型中的视觉伪影问题，揭示了伪影产生的三个阶段：剖析、变异和细化。提出的ASCED方法通过监测异常评分动态实时修正伪影，实验证明其在多个领域有效减少伪影，且无需额外训练，效果优于现有方法。

本研究提出的Acc3D方法通过正则化分数函数学习和边缘一致性，显著加速了从单幅图像生成3D模型的扩散过程，计算效率提升超过20倍，生成质量也有显著提高。

本研究探讨了数据库查询中不同归因分数（如因果责任、Shapley值等）在相关性量化上的不一致性。通过分析这些分数的对齐情况，提出了一种识别一致性的方法，并指出外生元组对对齐的重要影响，以提升归因分数的准确性和可靠性。

本研究提出了一种新颖的潜在评分匹配（PSM）方法，旨在降低传统分子结构采样的成本和复杂性。PSM通过潜在能量梯度引导生成模型，在有限和有偏的数据上有效去偏采样，生成的分子分布更接近玻尔兹曼分布，性能优于传统扩散模型。

本研究提出了一种去噪分数蒸馏（DSD）方法，旨在提升扩散模型在低质量数据下的生成性能。通过在噪声样本上预训练并蒸馏为一步生成器，DSD显著改善了生成样本的质量。

本研究提出了一种名为Demo-SCORE的方法，旨在解决机器人演示数据集中的异质性和质量问题。该方法通过训练分类器识别成功与失败的策略，有效过滤不可信的演示，实验结果表明策略成功率提高了15-35%。

本研究提出了一种新方法OTPR，结合最优运输理论与强化学习，解决了扩散策略在分布转移中的鲁棒性问题。实验结果表明，OTPR在复杂稀疏奖励环境中表现优异，促进了模仿学习与强化学习的结合。

本研究提出了一种新方法，通过连续时间强化学习微调扩散生成模型，解决了传统离散时间强化学习的误差问题。实验结果表明，该方法在大型文本到图像模型的微调任务中表现优异。

本研究提出了“保留评分”指标，以量化视觉语言模型（VLMs）抵御越狱攻击的能力。结果表明，大多数VLMs对这些攻击的鲁棒性较低，提供了一种有效的安全性评估方法。

本研究提出了一种基于似然调度的生成模型方法，解决全3D PET图像重建中的慢速重建和超参数调节问题。通过匹配逆扩散过程的似然与最大似然算法，显著加速重建并减少超参数数量，实验证明该方法在重建时间和效果上优于现有技术。

本研究提出了一种新方法，通过多大型语言模型的协作来改进因果关系学习，显著提升了因果发现的准确性和效率，具有潜在影响。

本研究提出了OptCS框架，旨在解决合规推断中的模型选择问题，尤其是在有限标签数据下选择“有趣”实例。该框架通过新颖的多重检验程序构建有效的合规p值，显著提高选择过程的有效性，具有重要的应用潜力。

本研究提出了一种新框架，解决了三维头部风格化在保持人物身份方面的不足。通过负对数似然蒸馏，显著提升了身份保持和风格化质量，为三维头部风格化和模型蒸馏提供了新见解。

本研究提出了一种后处理方案，有效解决古代乐谱自动分析中的谱线识别问题，显著提升了乐谱重构的质量和音乐内容的可获取性。

本研究提出了一种新型生成扩散模型WassDiff，通过引入Wasserstein距离正则化，提高了捕捉极端降水信号的能力。WassDiff在降水重构精度和偏差评分上优于传统模型，能生成合理的空间模式，有助于理解极端降雨下的局部风险。