UniWorld-Design: From Pixel Generation to Layer-Native Design
基于语义 RGBA 图层的原生视觉设计框架：T2RGBA 文本生成 RGBA 资产 + I2L 指令驱动的图像分层解构
All tags
image-generation
31 posts tagged with "image-generation"
SpargeAttn: Accurate and Training-free Sparse Attention Accelerating Any Model Inference
训练无关的通用稀疏注意力，加速所有模型推理（语言、图像、视频生成）
SageAttention2++: A More Efficient Implementation of SageAttention2
基于 FP8 Matmul + FP16 累加器指令进一步加速 SageAttention2 的注意力量化内核实现，在保持精度的同时取得相对 FlashAttention 最高 3.9× 加速。
Classifier-Free Diffusion Guidance
Jointly trained conditional and unconditional diffusion model enabling guidance without a separate classifier, achieving similar quality-diversity tradeoff as classifier guidance with simpler training
Flow Matching for Generative Modeling
无仿真训练连续归一化流（CNF）的新范式：通过回归条件概率路径的向量场，统一并超越扩散模型，并引入最优传输（OT）路径
DiT: 基于 Transformer 的可扩展扩散模型
DiT 用在 latent patch 上操作的 Transformer 替换扩散模型常用的 U-Net 骨干，提出 adaLN-Zero 条件注入块，证明 Gflops（通过增大深度/宽度或 token 数）与 FID 强负相关；DiT-XL/2 在 ImageNet 256×256 取得 SOTA FID 2.27，是 Sora/SD3/FLUX 等现代生成模型的架构基石。
Scaling Rectified Flow Transformers for High-Resolution Image Synthesis (Stable Diffusion 3)
Stability AI 的 SD3 论文：改进的 Rectified Flow 时间步采样 + 多模态 MM-DiT 架构，在高分辨率文生图上超越 DALL·E 3 等 SOTA
PPFlow: 金字塔分块化流的高效视觉生成
PPFlow 用金字塔分块化（高噪声时间步用大 patch、低噪声时间步用小 patch）替换 DiT 固定 patch size，仅切换 Patchify/Unpatchify 线性投影而共享 DiT blocks，实现 1.6–2.0× 去噪加速且质量不降，从预训练模型适配仅需 +8.9% 训练 FLOPs。
HunyuanImage 3.0 Technical Report
腾讯混元原生多模态模型：在自回归框架内统一多模态理解与生成，80B MoE（激活 13B），当前最大最强开源图像生成模型
DDiT: 动态 Patch 调度的高效扩散 Transformer
DDiT 提出测试时（training-free）动态分块策略——根据内容复杂度与去噪时间步自适应调整 patch size：高噪声步用粗 patch 建模全局结构、低噪声步用细 patch 精修局部细节；通过三阶有限差分度量潜表示演化速率驱动调度器，在 FLUX-1.Dev / Wan 2.1 上实现最高 3.52×/3.2× 加速且不损画质。
DC-DiT: 动态分块的自适应计算与弹性推理扩散 Transformer
DC-DiT 用学习式 encoder-router-decoder 支架替换扩散 Transformer 的固定 patchify，端到端学习内容自适应的动态分块 tokenization，实现跨空间/时间步的自适应计算与单一 checkpoint 弹性推理，FLOPs 降低 36.8%、FID 提升 37.8%。
Diffusion Transformer Explained（TDS 博客精读）
Mario Larcher 在 Towards Data Science 对 DiT 论文《Scalable Diffusion Models with Transformers》的教学式讲解精读，含扩散公式、无分类器引导、潜在扩散、Patchify、adaLN-Zero 等背景与核心设计
Multi-Resolution Flow Matching: Training-Free Diffusion Acceleration via Staged Sampling
MrFlow achieves 10x+ training-free acceleration for flow-matching diffusion models via a four-stage low-to-high resolution pipeline
Unified Multimodal Understanding and Generation Models: Advances, Challenges, and Opportunities
统一多模态理解与生成模型综述：系统梳理三大架构范式（扩散/自回归/混合），数据集与基准测试
JoyAI-Image: Awaking Spatial Intelligence in Unified Multimodal Understanding and Generation
统一多模态基础模型，融合空间增强 MLLM 与 MMDiT，实现理解/生成/编辑一体化，支持空间推理
Denoising Diffusion Probabilistic Models (DDPM)
去噪扩散概率模型
Efficient Track Anything
高效视频目标分割与跟踪模型
ScalingCache: Extreme Acceleration of DiTs through Difference Scaling and
通过差分缩放和动态间隔缓存实现 DiT 的极端加速
Qwen-Image Technical Report
Qwen 图像生成基础模型技术报告
Seed3D 2.0: Advancing High-Fidelity Simulation-Ready 3D Content Generation
高保真仿真就绪3D内容生成系统，支持场景布局、部件分解和铰接生成
MiniCPM-V 4.5 - Cooking Efficient MLLMs via Architecture, Data, and Training Recipe
8B参数高效多模态大语言模型，通过统一3D-Resampler、文档知识统一学习范式和混合强化学习实现性能与效率的平衡
Fewer Denoising Steps or Cheaper Per-Step Inference: Towards Compute-Optimal Diffusion Model Deployment
PostDiff：免训练扩散模型压缩框架，通过混合分辨率去噪和混合模块缓存降低单步推理成本
DiffServe: Efficiently Serving Text-to-Image Diffusion Models with Query-Aware Model Scaling
基于查询感知模型扩展的文本到图像扩散模型高效服务系统
Lance: Unified Multimodal Modeling by Multi-Task Synergy
轻量级原生统一多模态模型，通过双流MoE架构和多任务协同训练实现图像视频理解、生成与编辑
Qwen-Image-2.0 Technical Report: 统一图像生成与编辑的基础模型
阿里巴巴 Qwen 团队提出的统一图像生成与编辑基础模型，支持 1K token 指令输入，原生 2K 分辨率，多语言文本渲染。
Qwen-Image-2.0: 全能图像生成基础模型
Qwen-Image-2.0 全能图像生成基础模型，支持文本到图像生成和图像编辑。
OmniGen2: Towards Instruction-Aligned Multimodal Generation
OmniGen2 提出指令对齐的多模态生成框架，统一文本到图像、图像编辑和多模态理解任务。
Matrix-3D: 全方位可探索 3D 世界生成
Matrix-3D 提出从单张图像生成全方位可探索 3D 世界的统一框架。
ProCache: Constraint-Aware Feature Caching with Selective Computation for Diffusion Transformer Acceleration
ProCache提出约束感知的特征缓存与选择性计算方法，加速扩散Transformer模型的推理过程。
Block Diffusion: Interpolating Between Autoregressive and Diffusion Language Models
块级离散去噪扩散语言模型，在自回归和扩散之间插值，实现任意长度生成和 SOTA 似然
FastVLM: Efficient Vision Encoding for Vision Language Models
Apple提出的高效视觉语言模型，通过新型混合视觉编码器FastViTHD实现85×更快的首token延迟，同时保持竞争性准确率