腾讯混元团队提出的MixGRPO框架结合了SDE与ODE采样，显著提升了图像生成的效率和性能，训练时间减少近50%。MixGRPO-Flash进一步将训练时间降低71%，在多个维度上优于DanceGRPO，推动了图像生成技术的发展。

本文介绍了一种新型图像超分辨率方法ACDMSR，利用预训练的扩散模型和可控特征模块，克服了固定尺寸的限制。该方法通过减少扩散步骤，提高了推理速度和图像质量，实验结果表明其性能优于现有方法。此外，XPSR框架结合多模态大语言模型，增强了语义信息提取，生成高保真度图像。

通过扩展 Virtual Brownian Tree (VBT) 方法，我们成功地生成了 Brownian motion (BM) 的时间积分，使得我们可以采用高阶随机微分方程（SDE）求解器进行自适应求解，并展示了两个应用领域的实例。

近年来，研究者对现代机器学习算法的泛化能力进行了深入研究。最近的研究发现，随机梯度下降算法的学习动态与重尾动态有关，可以应用于泛化理论。本研究证明了一类重尾动态轨迹上的泛化界限，并提出了一个几何解耦项，通过比较经验风险和预期风险的动态来引入。此外，还提出了一个基于扰动动态的PAC-Bayesian设置，用于收紧界限。

该文章介绍了一种新的方法，利用深度神经网络导出和分析随机微分方程。该方法通过学习维纳混沌展开式的最佳稀疏截断来减轻指数复杂性问题，利用随机过程的多项式混沌展开。数值实验展示了该方法在一维和高维中的有希望性能。

本研究探讨了基于分数的生成模型，通过加噪声扰动学习对应于数据密度的噪声条件分数函数，并导出了分数Fokker-Planck方程。提出了正则化的DSM目标来强制满足分数Fokker-Planck方程，并在各种数据集上证明了其有效性。

本文介绍了从线性随机微分方程（SDE）的生成器中提取鉴别条件的重要性，以及针对具有加性噪声和乘性噪声的线性 SDE 生成器的充分必要条件。作者还提供了导出的鉴别条件的几何解释，并进行了一系列模拟来验证理论结果。