AIGC 每日速读|2026-05-01|20秒训练7x加速DiT，SAMG零开销解锁空间自适应…

今日核心看点

1. ViPO 偏好优化
2. SAMG 自适应引导
3. L2P 推理加速
4. SpatialFusion 3D感知
5. Z² 零开销采样

今日概览

今日 arXiv cs.CV 视觉生成相关论文共 10 篇。

方向分布：

• 推理加速与采样优化 3 篇 (L2P, Z²-Sampling, IDaS-SR)
• 引导策略与偏好对齐 3 篇 (SAMG, ViPO, ACPO)
• 统一生成架构与可控性 2 篇 (SpatialFusion, Diffusion Templates)
• 生成式超分辨率 2 篇 (MetaSR, IDaS-SR)
• 视觉推理与规划评测 1 篇 (EAR)

今日论文速览

1. ViPO: Visual Preference Optimization at Scale

ViPO：大规模视觉偏好优化 | ICLR 2026 | arXiv:2604.24953

关键词： 偏好优化·扩散模型·DPO·大规模数据集·图像视频生成

前序工作问题： 开源偏好数据集存在冲突模式和噪声，直接优化难以学习有效偏好，阻碍视觉生成模型的大规模偏好对齐

贡献： 提出 Poly-DPO 算法通过多项式项动态调节模型置信度适应不同数据分布，构建含 100 万图像对和 30 万视频对的大规模偏好数据集

效果： 在 Pick-a-Pic V2 上 GenEval 指标超 Diffusion-DPO 6.87 分(SD1.5)和 2.32 分(SDXL)，训练模型远超现有开源偏好数据集

批判点评： 数据集构建依赖 SOTA 模型生成偏好对，可能引入模型自身偏差；Poly-DPO 在高质量数据上退化为标准 DPO，额外复杂度的实际收益有限

2. SpatialFusion: Endowing Unified Image Generation with Intrinsic 3D Geometric Awareness

SpatialFusion：赋予统一图像生成内在3D几何感知 | Zhejiang University | arXiv:2604.26341

关键词： 3D感知·统一生成·MoT架构·深度图·空间推理

前序工作问题： 统一图像生成模型在空间感知任务上表现受限，缺乏内在空间理解和生成时的显式几何引导

贡献： 提出 MoT 架构并行空间 Transformer 提取度量深度图作为几何支架，通过深度适配器注入扩散骨干实现空间一致生成

效果： 在空间感知基准上显著超越 GPT-4o 等领先模型，同时在 T2I 和图像编辑上实现泛化性能提升，推理开销可忽略

批判点评： 依赖额外深度 Transformer 分支增加参数量；空间感知仅覆盖单目深度，对遮挡和多视角一致性的处理能力未验证

3. Delta Score Matters! Spatial Adaptive Multi Guidance in Diffusion Models

SAMG：空间自适应多引导打破细节-伪影困境 | Unknown | arXiv:2604.26503

关键词： CFG改进·空间自适应·微分几何·零开销·图像视频扩散

前序工作问题： 标准 CFG 使用全局均匀标量引导，陷入'细节-伪影困境'：低引导丢失语义细节，高引导导致结构退化和色彩过饱和

贡献： 从微分几何角度揭示 CFG 本质是切向线性外推在弯曲流形上引入正交偏差，提出 SAMG 逐点动态计算引导能量实现空间自适应

效果： 跨 SD1.5/SDXL/SD3.5/CogVideoX/ModelScope 五种架构验证，零计算开销下同时提升语义对齐、结构完整性和时序平滑度

批判点评： 理论分析基于 Tweedie 公式的局部近似，对高阶流形曲率的建模精度不明；逐点计算在极高分辨率下的内存开销未讨论

4. Beyond Fixed Formulas: Data-Driven Linear Predictor for Efficient Diffusion Models

L2P：可学习线性预测器加速 DiT 推理 | CVPR 2026 | arXiv:2604.26365

关键词： 推理加速·特征缓存·可学习权重·DiT·FLUX

前序工作问题： DiT 特征缓存加速方法依赖手工固定预测公式，在激进跳步策略下性能严重退化

贡献： 提出 L2P 用可学习的逐时间步权重替代固定系数，仅需单 GPU 约 20 秒训练即可从历史轨迹精确重建当前特征

效果： FLUX.1-dev 上实现 4.55 倍 FLOPs 降低和 4.15 倍延迟加速，Qwen-Image 上 7.18 倍加速仍保持高视觉保真度

批判点评： 线性预测器表达能力有限，对复杂非线性特征变化的建模可能存在天花板；泛化到不同提示分布的鲁棒性未充分验证

5. Diffusion Templates: A Unified Plugin Framework for Controllable Diffusion

Diffusion Templates：统一插件框架实现可控扩散模组化 | Unknown | arXiv:2604.24351

关键词： 可控生成·插件框架·模块化·KV-Cache·LoRA·开源

前序工作问题： 可控扩散方法各自独立开发，训练管线、参数格式和运行时钩子互不兼容，难以跨任务复用和组合多种控制

贡献： 提出系统级统一接口框架，解耦基础模型推理与可控能力注入，通过 Template Model/Cache/Pipeline 三组件支持异构能力载体

效果： 构建覆盖结构控制、亮度/色彩调整、编辑、超分、锐化、美学对齐、内容参考、局部修复、年龄控制等 11+ 任务的模型动物园

批判点评： 框架抽象层可能引入额外推理延迟；不同 Template 组合时的冲突解决策略未深入讨论

6. Z²-Sampling: Zero-Cost Zigzag Trajectories for Semantic Alignment in Diffusion Models

Z²-Sampling：零开销锯齿采样破 Pareto 前沿 | Unknown | arXiv:2604.23536

关键词： 采样加速·锯齿轨迹·代数消元·CFG增强·零额外NFE

前序工作问题： 显式锯齿采样(Z-Sampling)通过多步前向-后向遍历探测流形曲率提升语义对齐，但三倍化 NFE 开销且引入离流形截断误差

贡献： 证明显式锯齿序列拓扑可约，提出隐式 Z-Sampling 通过算子对偶代数消元中间态，结合时序语义代理实现零开销

效果： 恢复标准 2-NFE 基线同时保留语义探索增益，跨 UNet/DiT 架构和图像/视频模态验证，与 AYS/Diffusion-DPO 正交兼容

批判点评： 代数消元依赖特定 ODE 求解器的时序相干性假设，对自适应步长调度器的兼容性需进一步验证

7. Bridging Restoration and Generation Manifolds in One-Step Diffusion for Real-World Super-Resolution

IDaS-SR：一步扩散桥接修复与生成流形 | Unknown | arXiv:2604.24136

关键词： 真实超分·一步推理·流形桥接·感知-失真平衡·噪声估计

前序工作问题： 单步蒸馏加速方法面临刚性时间步初始化、分布轨迹错配和脆弱随机调制导致的感知-失真权衡困境

贡献： 提出 MINE 预测退化感知时间步和反演噪声锚定低质量潜变量，CHARIOT 连续生成导向机制显式导航感知-失真边界

效果： 一步推理下超越 SOTA 方法，从严格结构修复器到精细纹理幻觉器的无缝过渡

批判点评： 退化感知依赖预训练的退化分类器，对未见退化类型的泛化能力存疑；一步推理的质量上界仍受限于蒸馏教师

8. ACPO: Anchor-Constrained Perceptual Optimization for Diffusion Models with No-Reference Quality Guidance

ACPO：锚点约束感知优化提升扩散模型主观质量 | Unknown | arXiv:2604.26348

关键词： 感知质量·无参考IQA·锚点正则化·微调稳定性·分布漂移

前序工作问题： 扩散模型训练以像素级全参考损失为主，忽略主观视觉感知质量；直接优化无参考 IQA 信号导致训练不稳定和分布漂移

贡献： 提出锚点约束优化框架，通过 NR-IQA 模型引导感知优化同时用锚点正则化在噪声预测层面保持与基础模型一致性

效果： 有效平衡感知质量提升与生成保真度/多样性保持，避免微调过程中的训练不稳定

批判点评： NR-IQA 模型自身的偏差可能被放大注入生成模型；锚点强度的最优选择缺乏自适应机制

9. MetaSR: Content-Adaptive Metadata Orchestration for Generative Super-Resolution

MetaSR：内容自适应元数据编排生成式超分辨率 | Northwestern University | arXiv:2604.26244

关键词： 生成式超分·元数据引导·DiT·一步蒸馏·码率优化

前序工作问题： 现有元数据引导超分方法使用固定调节设计，在内容和退化多样性高的真实场景中次优，传输预算受限时尤甚

贡献： 提出基于 DiT 的框架智能选择并注入任务相关元数据引导超分，利用 VAE 和 Transformer 融合异构元数据并实现一步推理蒸馏

效果： 跨多种内容桶和退化模式超越参考方案最高 1.0dB PSNR，匹配质量下节省 50% 传输码率

批判点评： 元数据选择策略的计算开销和在线部署延迟未量化；实验未覆盖极端退化(如严重压缩伪影)场景

10. Probing Visual Planning in Image Editing Models

EAR：编辑即推理探测图像编辑模型视觉规划能力 | Unknown | arXiv:2604.22868

关键词： 视觉规划·编辑即推理·抽象谜题·迷宫·评测基准

前序工作问题： 视觉规划是人类智能关键能力，但机器学习中多以语言为中心解决；纯视觉方法因逐步生成范式计算效率低下

贡献： 提出 EAR 编辑即推理范式将视觉规划重构为单步图像变换，引入 AMAZE 抽象迷宫数据集自动评估 AR 和扩散模型的像素保真度与逻辑有效性

效果： 微调后模型可泛化到更大规模和域外几何，但最佳模型仍无法匹配人类零样本效率，揭示神经视觉推理差距

批判点评： 抽象迷宫任务与真实图像编辑场景差异大，结论迁移性存疑；评估仅覆盖路径规划类任务，对创意编辑推理无覆盖

趋势观察

1. 扩散模型推理加速持续白热化 — L2P(20秒训练7x加速)、Z²-Sampling(零开销语义增强)、IDaS-SR(一步超分) 三篇工作从不同角度逼近效率极限
2. CFG 引导范式迎来几何重构 — SAMG 和 Z²-Sampling 不约而同从微分几何视角重新理解 CFG，推动引导策略从粗暴标量走向精细空间自适应

人工智能炼丹君 整理 | 2026-05-01

更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」

每日更新 · 论文精选 · 深度解读 · 技术脉络

微信搜索 人工智能炼丹君 或扫描下方二维码关注