:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tong, Shangyuan, Ma, Nanye, Xie, Saining, Jaakkola, Tommi
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Computer Vision and Pattern Recognition
Online-Zugang:	https://arxiv.org/abs/2511.19428
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Diffusion Transformers with Representation Autoencoders
von: Zheng, Boyang, et al.
Veröffentlicht: (2025)

Transition Matching Distillation for Fast Video Generation
von: Nie, Weili, et al.
Veröffentlicht: (2026)

SiT: Exploring Flow and Diffusion-based Generative Models with Scalable Interpolant Transformers
von: Ma, Nanye, et al.
Veröffentlicht: (2024)

Inference-Time Scaling for Diffusion Models beyond Scaling Denoising Steps
von: Ma, Nanye, et al.
Veröffentlicht: (2025)

Correcting Diffusion Generation through Resampling
von: Liu, Yujian, et al.
Veröffentlicht: (2023)

In-Context Symmetries: Self-Supervised Learning through Contextual World Models
von: Gupta, Sharut, et al.
Veröffentlicht: (2024)

DisCo-Diff: Enhancing Continuous Diffusion Models with Discrete Latents
von: Xu, Yilun, et al.
Veröffentlicht: (2024)

Deconstructing Denoising Diffusion Models for Self-Supervised Learning
von: Chen, Xinlei, et al.
Veröffentlicht: (2024)

Align Your Flow: Scaling Continuous-Time Flow Map Distillation
von: Sabour, Amirmojtaba, et al.
Veröffentlicht: (2025)

Learning Diffusion Models with Flexible Representation Guidance
von: Wang, Chenyu, et al.
Veröffentlicht: (2025)

Stabilizing Consistency Training: A Flow Map Analysis and Self-Distillation
von: Kim, Youngjoong, et al.
Veröffentlicht: (2026)

Think While You Generate: Discrete Diffusion with Planned Denoising
von: Liu, Sulin, et al.
Veröffentlicht: (2024)

REPA-E: Unlocking VAE for End-to-End Tuning with Latent Diffusion Transformers
von: Leng, Xingjian, et al.
Veröffentlicht: (2025)

Self-Refining Video Sampling
von: Jang, Sangwon, et al.
Veröffentlicht: (2026)

SFT Memorizes, RL Generalizes: A Comparative Study of Foundation Model Post-training
von: Chu, Tianzhe, et al.
Veröffentlicht: (2025)

Representation Alignment for Generation: Training Diffusion Transformers Is Easier Than You Think
von: Yu, Sihyun, et al.
Veröffentlicht: (2024)

Mode Seeking meets Mean Seeking for Fast Long Video Generation
von: Cai, Shengqu, et al.
Veröffentlicht: (2026)

Science-T2I: Addressing Scientific Illusions in Image Synthesis
von: Li, Jialuo, et al.
Veröffentlicht: (2025)

ZeroFlow: Scalable Scene Flow via Distillation
von: Vedder, Kyle, et al.
Veröffentlicht: (2023)

Scaling Text-to-Image Diffusion Transformers with Representation Autoencoders
von: Tong, Shengbang, et al.
Veröffentlicht: (2026)

The Coupling Within: Flow Matching via Distilled Normalizing Flows
von: Berthelot, David, et al.
Veröffentlicht: (2026)

MoDE: CLIP Data Experts via Clustering
von: Ma, Jiawei, et al.
Veröffentlicht: (2024)

Traveling Across Languages: Benchmarking Cross-Lingual Consistency in Multimodal LLMs
von: Wang, Hao, et al.
Veröffentlicht: (2025)

LAKD-Activation Mapping Distillation Based on Local Learning
von: Zhang, Yaoze, et al.
Veröffentlicht: (2024)

Stochastic Transition-Map Distillation for Fast Probabilistic Inference
von: Rapakoulias, George, et al.
Veröffentlicht: (2026)

Dataset Distillation as Data Compression: A Rate-Utility Perspective
von: Bao, Youneng, et al.
Veröffentlicht: (2025)

Distilling the Knowledge in Data Pruning
von: Ben-Baruch, Emanuel, et al.
Veröffentlicht: (2024)

Understanding Generalization in Diffusion Distillation via Probability Flow Distance
von: Zhang, Huijie, et al.
Veröffentlicht: (2025)

Data-to-Model Distillation: Data-Efficient Learning Framework
von: Sajedi, Ahmad, et al.
Veröffentlicht: (2024)

Improved Baselines with Representation Autoencoders
von: Singh, Jaskirat, et al.
Veröffentlicht: (2026)

Joint Distillation for Fast Likelihood Evaluation and Sampling in Flow-based Models
von: Ai, Xinyue, et al.
Veröffentlicht: (2025)

Fine-Tuning Large Vision-Language Models as Decision-Making Agents via Reinforcement Learning
von: Zhai, Yuexiang, et al.
Veröffentlicht: (2024)

Densely Distilling Cumulative Knowledge for Continual Learning
von: Shi, Zenglin, et al.
Veröffentlicht: (2024)

Towards Trustworthy Dataset Distillation
von: Ma, Shijie, et al.
Veröffentlicht: (2023)

Data-Augmented Quantization-Aware Knowledge Distillation
von: Kur, Justin, et al.
Veröffentlicht: (2025)

Score Distillation of Flow Matching Models
von: Zhou, Mingyuan, et al.
Veröffentlicht: (2025)

FERD: Fairness-Enhanced Data-Free Robustness Distillation
von: Li, Zhengxiao, et al.
Veröffentlicht: (2025)

DataDAM: Efficient Dataset Distillation with Attention Matching
von: Sajedi, Ahmad, et al.
Veröffentlicht: (2023)

Mutually Causal Semantic Distillation Network for Zero-Shot Learning
von: Chen, Shiming, et al.
Veröffentlicht: (2026)

Uncertainty-Aware Multi-Expert Knowledge Distillation for Imbalanced Disease Grading
von: Tong, Shuo, et al.
Veröffentlicht: (2025)