扩散模型

DiffGI 针对服装等薄壳、非流形 3D 形状难以被体表示准确建模的问题，提出以连续 2D TSDF 和可微 Marching Squares 连接 2D 潜空间与 3D 表面优化。它的重点不是单纯换一种编码，而是让表面重建从后处理变成可训练链路的一部分。

UT Austin 研究者提出 Token Time Continuous Diffusion（TTCD），试图用连续空间和逐 token 时间机制提升扩散语言模型在高速生成下的质量。它在条件生成和数独求解等任务中显示出相对离散扩散模型的优势。

这篇综述将离散扩散模型的关键问题重新放回“离散状态空间如何构造”这一源头，强调分词、词表拓扑和领域字母表并非预处理细节，而是模型设计的主轴。

一篇 arXiv 新论文提出 Cyclone，将潜在扩散模型、循环一致性约束与图文模型知识结合，用于自动驾驶场景中的多天气编辑。它的重点不是单纯“加雨加雾”，而是在无需成对数据的情况下生成更真实且保留结构的驾驶图像。

一篇新论文提出 HTFM，把重尾源分布看作由随机时钟调制的高斯混合，从而让流匹配模型更适合极端事件、长尾类别和金融/天气等数据。该方法在保持低采样步数优势的同时，试图改善模式覆盖、样本质量与尾部统计恢复。

TCAM-Diff 面向高分辨率 3D 医学影像生成，将稠密体数据压缩到三平面表示，并用跨注意力扩散模型学习这些特征。论文称，该方法在脑肿瘤、胰腺和结肠数据集上取得了优于同等潜空间规模编码器-解码器方案的结果。

这篇综述把离散扩散模型的关键问题重新放回“离散状态空间如何构造”上，强调分词、词表拓扑和领域字母表不是预处理细节，而是模型设计的主轴。