拡散モデル

GroundAnythingは、視覚グラウンディングを左から右へ生成するタスクではなく、視覚的証拠の共同抽出として捉え直す。4Bモデルで双方向拡散を使い、最大4.51倍の高速化を検証した。

SoloQ は、拡散言語モデルの重みと活性値をキャリブレーションデータなしで低ビット量子化するフレームワークです。構造化回転、再スケーリング、KV キャッシュ圧縮を組み合わせ、4ビットおよび NVFP4 での効率的な推論を目指します。

MC-Sparseは、長系列の拡散生成で疎注意が品質を損なう原因を分解し、KVトークンの細粒度選択とメタデータ再利用を組み合わせた学習不要の手法を提案する。動画と3D生成で、密注意に近い出力を保ちながらデノイズを高速化した。

Inverse Distillation Unlearning（IDU）は、拡散モデルやフローマッチングモデルを1ステップ生成器へ蒸留しながら、指定した学習データの生成を抑制する手法です。完全データで学習した教師モデルと忘却対象のサンプルだけで利用できます。

ALoDLMは、拡散言語モデルにトークン適応型の潜在再帰を導入します。確定しやすい位置は早く確定し、難しい位置だけを追加計算で精緻化することで、並列デコードを維持しながら品質向上を目指します。

HC-DLMは、離散トークンの読み出しと持続的な連続潜在状態を組み合わせ、並列デコードで失われやすい依存関係の維持を目指す手法です。論文では、数独、Countdown、LM1Bで同規模の拡散モデルベースラインを上回ったと報告しています。

阿里巴巴の通義千問が、7B規模の画像生成モデル Qwen-Image-2.1 をオープンソース化しました。テキストからの画像生成、透明画像の生成、画像編集を1つのモデルに統合しています。

3Bパラメータのblock diffusionを比較した研究で、状態空間型の系列ミキサーが正確でサイズ一定のキャッシュを実現できることが示された。長いコンテキストでは、Mambaが注意機構よりメモリ、遅延、スループットで大きく優位に立つ。

LLaDA-Imageは、ゼロから学習した6BパラメータのDiTと、凍結した視覚言語理解モジュールを組み合わせた画像生成・編集モデルです。蒸留版のTurboは推論を2〜4ステップに短縮し、重み・コード・学習レシピも公開されます。

EditBridgeは、超高解像度画像編集向けの拡散ブリッジを提案する。低解像度で編集した結果を独立した超解像モデルに任せるのではなく、元の高解像度画像を参照して細部を復元し、計算量も抑える。

DiffusionGemma は、テキストを1トークンずつ生成するのではなく、256トークンのブロックを並列に反復修正する実験的なオープンウェイト言語モデルです。Gemma 4 を微調整して作られ、速度と能力の新しいバランスを狙っています。

この論文は、画像生成におけるプロンプトの長さではなく、構造化された言語情報が拡散モデルの学習損失にどう関係するかを調べている。著者らはその知見を使い、構造化プロンプトと専用 prompter による生成性能の改善を試みた。

Explorative Modeling は、生成結果とデータの対応を複数探索し、最良の候補から学習する新しい生成モデリング手法です。論文は、探索量がパラメータ数・データ量に続く第3の事前学習スケーリング軸になり得ると主張しています。

Chimera は、高解像度画像や長尺動画の生成で問題になる全注意機構の計算コストを抑えるための、ハイブリッド型視覚拡散バックボーンです。KDA、MLA、短い畳み込み、疎な MoE、そして HeteroP というスケーリング手法を組み合わせています。

Parallel Decoding Distillation（PDD）は、拡散モデルやフローマッチングモデルの反復サンプリングを減らし、少ないネットワーク評価で高品質な生成を目指す手法です。

ソニーの研究チームは、拡散モデルとフローマッチングモデルの推論時誤差を周波数領域で補正する Spectral Alignment（SPA）を提案した。事前に学習したスペクトル先験を使い、中間予測のパワースペクトルを軽量に校正する。

TBSMは、GANの識別器や拡散モデルの固定されたノイズ除去経路に頼らず、生成サンプルが実データ分布へどう動くべきかを直接学習する枠組みです。

Mage-Flow は、画像生成モデルの競争力を単純な巨大化ではなく、トークナイザー、バックボーン、学習システムの共同設計で高めようとする取り組みだ。4B規模でテキスト画像生成と指示ベース編集の両方を扱う。

新しい研究は、文生画像 Diffusion Transformer における構造的なテキストテンプレートトークンが、単なる飾りではないことを示した。生成中に物体の同一性を保つ暗黙的な意味レジスタとして働くという。

この論文は、拡散言語モデルが明示的な時間ステップなしに、内部でノイズ除去の進行度を表現しているかを検証している。残差ストリームから、時間に対応する潜在信号を読み取れることが示された。

DiFA は、拡散モデルの推論時に得られる過去の予測を相関のある観測として扱う、再学習不要のフレームワークです。前向き拡散過程に沿った時間的コンセンサスにより、生成の安定性と細部表現の改善を狙います。