论文 / arXiv:2610.39277
系统与工程蒸馏到小模型
面向连续条件图像生成的高效协方差感知近邻潜空间扩散模型
Efficient Covariance-Aware Vicinal Latent Diffusion for Continuous Conditional Image Generation
Xin Ding, Shuo Huang, Zhenglong Ding, Sen Zhang, Nenglun Chen, Peibei Cao, Yongwei Wang, Fei Wu·2026-10-29·cs.CV相关度 2.5
14 pages
⚡ 一句话总结 AI 生成 · 以原文为准
CAViLD通过条件感知潜空间、EMA教师内化引导与协方差感知渐进蒸馏,实现低至4个NFE的高效连续条件生成。
关键结论
- 提出CAViLD高效潜空间扩散框架,结合密度自适应近邻学习、辅助语义正则化与NIQE引导的负数据增强。
- 通过EMA教师内化条件引导方向,实现单分支条件推理,消除无分类器引导开销。
- 协方差感知渐进蒸馏支持低至4个NFE的采样,并在RC-49、UTKFace和Steering Angle上验证。
📄 摘要AI 生成 · 以原文为准
连续条件生成建模(CCGM)旨在以连续取值的标量标签为条件合成高维数据。然而,现有连续扩散模型在不均衡和长尾标签分布下面临严重的数据稀疏问题,可能导致视觉伪影和条件不一致。此外,推理时的无分类器引导和像素空间的密集积分带来大量采样开销,限制了实际部署。为应对这些挑战,我们提出CAViLD,一种面向连续条件生成的高效潜空间扩散框架。CAViLD首先通过密度自适应近邻学习、辅助语义正则化以及NIQE引导的负数据增强,构建一个纯净的条件感知潜空间;然后通过EMA教师将条件引导方向内化,实现单分支条件推理;并引入协方差感知的渐进蒸馏,用于标签依赖的概率流ODE,支持低至4个NFE的采样。在RC-49、UTKFace和Steering Angle上的实验表明,该方法在生成保真度、连续条件一致性与采样效率之间取得了良好的权衡。
💬 讨论 0
发帖 →还没有讨论，来发起第一个吧。
每日同步自 decision.host · 译文与总结由 AI 生成，每条都附原文链接。