動画拡散モデルの時間的知識を画像生成に転用する新手法FrameForgeを解説。条件と目標の仮想時間間隔を適応選択するMoTEとCoTRにより、被写体駆動生成・Canny条件生成・編集を単一LoRAで統合します。
Stanford大学らが発表したHalcyonは、言語事前学習なしでゼロから学習したearly-fusion自己回帰T2Iモデルです。計算量275分の1で既存手法を上回った手法と対照実験の結果を解説します。
共有Transformerブロックを各デノイズステップ内で繰り返すLooped-DiTを解説します。260Mパラメータで6.5倍大きいモデルを6ベンチ平均2.5ポイント上回り、推論計算量は4.9分の1に収まります。
VAE潜在空間を使わずピクセル空間で直接学習するテキスト画像拡散モデルの訓練レシピを解説します。潜在拡散と同等以上の品質を保ちつつ、推論を最大4.75倍高速化した最新研究の要点を紹介します。
推論、検索、画像生成を1つのモデルに統合したエージェント型画像生成ToolArtistを解説します。Emu3.5とRAD-GRPO強化学習でWISE0.79を達成し、Qwen-Imageを上回った手法を紹介します。
1枚の画像から3Dシーンを再構成する新視点合成手法InfiniSplatを解説します。ピクセル整列ではなく深度から導く表面構造にガウスを配置し、大きな視点変化でもSOTAを達成しました。
拡散Transformer訓練を2倍以上高速化する最適化手法CMuonを解説します。重み行列を機能ごとに分割してから直交化することで収束停滞を解消し、ImageNet 256でFID 1.18を200エポックで達成しました。
ByteDance Seedが、拡散モデルの収束損失がプロンプト内の構造化言語量に応じて下がる新法則を発見。尤度指標GPGと属性指標EDで定量化し、構造化プロンプトと自動生成器で画像生成のSOTAを達成した成果を解説します。
頂点集合VAEとFlow Matchingを組み合わせた3Dメッシュ生成手法「Meshy T2」を解説します。画像からメッシュまでを中央値6秒で生成し自己回帰手法の10倍以上高速、面数制御やマルチパート資産にも対応します。
NVIDIAが提案した並列デコード蒸留「PDD」を解説します。複数区間の平均速度を1回でまとめて予測し、単純なMSE損失だけでImageNet FID2.69（NFE=1）や動画VBench84.92（NFE=4）を達成した高速生成手法です。
物理の三体散乱に着想した1ステップ生成モデルTBSMが登場しました。実サンプルへの引力と生成サンプルへの斥力で学習し、敵対的批評器なしでImageNet-256のFID1.63を達成した新手法をわかりやすく解説します。
拡散モデルの画像生成にLLM流の推論時スケーリングを持ち込む新手法Progressive Seed Pruningを解説します。多数のシードを初期段階で評価して有望な候補へ計算を集中させ、同じ予算でGenEvalと人手評価の両面でBest-of-Nを上回ります。
AI-Papers
