AIGC论文速读|20260504|4步打败40步!AdvDMD蒸馏加速刷新SD3.5

今日核心看点

1. AdvDMD 4步超40步蒸馏
2. Edit-R1 验证器奖励模型
3. PhyCo 物理可控视频
4. AesRM 美学奖励模型

今日概览

今日 arXiv cs.CV 视觉生成相关论文共 10 篇。

方向分布：

• 推理加速与蒸馏 2 篇 (AdvDMD, YOSE)
• 奖励模型与强化学习 2 篇 (Edit-R1, AesRM)
• 视频生成与编辑 3 篇 (PhyCo, TAVR, ExoActor)
• 训练方法与评估 2 篇 (RFL, Visual Gen Survey)
• 多模态一体化 1 篇 (Nemotron 3)

今日论文速览

1. AdvDMD: Adversarial Reward Meets DMD for Few-Step Generation

AdvDMD：对抗奖励融合蒸馏实现高质量少步生成 | Unknown | arXiv:2604.28126

关键词： 蒸馏加速·DMD·对抗奖励·少步生成·SD3.5

前序工作问题： 扩散模型蒸馏加速方法将 DMD 与 RL 简单拼接，两种优化目标相互干扰导致训练不稳定且加速倍率有限

贡献： 将 DMD2 的对抗判别器直接复用为 RL 奖励模型，通过统一 SDE 反向模拟对中间态和终态联合监督，实现 DMD 与 RL 的无缝融合

效果： 4 步 AdvDMD 在 SD3.5 上 DPG-Bench 超越原模型 40 步表现；2 步版本在 Qwen-Image 上超越 TwinFlow

批判点评： 对抗判别器随蒸馏模型在线更新增加训练复杂度；在极端 1 步生成场景下质量衰减幅度未报告

2. Edit-R1: Leveraging Verifier-Based RL in Image Editing

Edit-R1：验证器驱动强化学习提升图像编辑 | ByteDance Seed | arXiv:2604.27505

关键词： 图像编辑·奖励模型·CoT验证器·GRPO·FLUX

前序工作问题： 图像编辑缺乏可靠通用奖励模型，现有模型仅给整体评分无法逐条验证编辑指令是否满足

贡献： 提出推理奖励模型 RRM，通过 CoT 将指令拆分为独立原则逐条验证并聚合为细粒度可解释奖励，用 GCPO+GRPO 两阶段训练

效果： Edit-RRM 超越 Seed-1.5-VL/1.6-VL 等强 VLM 作为编辑奖励模型；3B→7B 清晰涨点；赋能 FLUX.1-kontext 编辑器

批判点评： CoT 推理链增加奖励计算成本，实际部署中每次编辑需额外 VLM 推理；仅在 FLUX 上验证泛化性有限

3. AesRM: Improving Video Aesthetics with Expert-Level Feedback

AesRM：专家级美学反馈提升视频生成质量 | Unknown | arXiv:2604.28078

关键词： 视频美学·奖励模型·分层评测·CoT推理·Wan2.2

前序工作问题： 视频生成评估过度关注保真度而忽视电影级美学（构图、光影、色彩和谐），缺乏系统化美学评价体系

贡献： 构建 3 维 15 细项美学评分体系与约 2500 对专家标注数据集 AesVideo-Bench，训练 AesRM-Base 和 AesRM-CoT 两版奖励模型

效果： 在多个美学基准上超越基线，位置偏差更低更鲁棒；成功对齐 Wan2.2 视频生成模型的美学输出

批判点评： 2500 视频对规模偏小可能限制泛化；美学本质上主观性强，专家标注的跨文化一致性未讨论

4. Representation Fréchet Loss for Visual Generation

RFL：表征空间 Fréchet 距离作为训练损失提升生成质量 | Unknown | arXiv:2604.28190

关键词： FD损失·表征空间·一步生成·蒸馏替代·ImageNet

前序工作问题： Fréchet 距离一直仅用于评估而非训练，因为其需要大规模样本估计群体统计量与小批量梯度计算矛盾

贡献： 解耦 FD 估计所需群体规模（50k）与梯度计算批量（1024），提出 FD-loss 使 Fréchet 距离可直接作为训练目标

效果： ImageNet 256x256 上一步生成器达 0.72 FID；无需教师蒸馏或对抗训练即可将多步模型转化为强一步生成器

批判点评： FD-loss 对表征空间选择敏感，不同表征可能导致矛盾优化方向；维护 50k 统计量的内存开销在高分辨率场景未讨论

5. YOSE: Essential Token Selection for DiT-based Video Object Removal

YOSE：按需选择关键 Token 加速 DiT 视频去物 | CVPR 2026 | arXiv:2604.27322

关键词： 视频去物·Token选择·DiT加速·掩码感知·线性缩放

前序工作问题： DiT 视频去物方法对全时空 Token 密集计算，即使仅小区域需修复也需处理完整 Token 空间，推理极慢（约 10 FPS）

贡献： 提出批量变长索引 BVI 按掩码自适应选择关键 Token，配合 DiffSim 模块为未掩码 Token 模拟扩散注意力影响

效果： 70% 场景实现 2.5 倍加速，推理时间与掩码区域大小近似线性缩放，生成质量保持可比

批判点评： 加速比强依赖掩码面积，大面积去物场景加速有限；DiffSim 的近似可能在复杂运动区域引入伪影

6. PhyCo: Learning Controllable Physical Priors for Generative Motion

PhyCo：学习可控物理先验实现物理真实视频生成 | CMU / NEC Labs / UCSD | CVPR 2026 | arXiv:2604.28169

关键词： 物理先验·可控生成·摩擦力·弹性·视频扩散

前序工作问题： 视频扩散模型擅长外观合成但物理一致性差：物体漂移、碰撞无回弹、材料响应不真实

贡献： 从简单模拟（滑块/弹球）中学习连续可解释的物理先验（摩擦/弹性/形变/力），推理时无需物理引擎即可注入视频扩散

效果： 实现连续可控的物理参数调节，生成物理真实的碰撞回弹和材料变形效果，CVPR 2026 收录

批判点评： 训练仅用简单几何体模拟数据，对复杂真实场景（如流体、布料）的泛化能力存疑；推理时物理参数需手动指定

7. Visual Generation in the New Era: From Atomic Mapping to Agentic World Modeling

视觉生成新纪元：从原子映射到智能体世界建模（综述） | Multi-institution (27 authors) | arXiv:2604.28185

关键词： 综述·五级分类·Flow Matching·后训练·奖励模型·世界模型

前序工作问题： 视觉生成模型在空间推理、状态持续、长期一致性和因果理解上仍有系统性缺陷，但缺乏统一评价框架

贡献： 提出五级渐进式分类体系（原子→条件→上下文→智能体→世界建模），系统梳理流匹配、统一模型、后训练、奖励建模等技术驱动力

效果： HF Daily Papers 82 票热度最高，提供能力导向的视角理解和推进下一代智能视觉生成系统

批判点评： 27 人综述难免覆盖面广但深度不足；五级分类边界模糊（如 Level 3 与 Level 4 区分标准主观）

8. TAVR: Generate Your Talking Avatar from Video Reference

TAVR：从跨场景视频参考生成高保真说话头像 | HeyGen Research | arXiv:2604.27918

关键词： 说话头·跨场景·视频参考·Token选择·身份强化学习

前序工作问题： 现有说话头生成方法依赖同场景静态图参考，跨场景视频参考时身份保持和背景适应能力差

贡献： 提出视频参考范式 TAVR，含 Token 选择处理长时上下文、三阶段训练（同场景预训练→跨场景微调→身份 RL），构建 158 对跨场景评测基准

效果： 量化和定性评估均超越现有基线，已部署于 HeyGen Avatar-V 产品上线

批判点评： 强依赖参考视频质量和时长；身份 RL 奖励可能过拟合特定人脸特征分布，非正面角度效果存疑

9. Nemotron 3 Nano Omni: Efficient Open Multimodal Intelligence

Nemotron 3 Nano Omni：NVIDIA 高效开源全模态模型 | NVIDIA | arXiv:2604.24954

关键词： 多模态·音频视觉文本·文档理解·Agent·开源

前序工作问题： 智能体系统需分别调用视觉、语音和语言模型，模型间数据传递耗时且丢失跨模态上下文

贡献： 首次原生支持音频+文本+图像+视频四模态输入，在文档理解、长音视频理解和 Agent 计算机操控上刷新效率基准

效果： 在 6 项权威榜单名列前茅；较前代在所有模态上准确率一致提升；已被 Foxconn 等企业采用

批判点评： 仅支持理解而无生成能力，不属于生成-理解统一模型；Nano 级别参数量在复杂推理场景可能受限

10. ExoActor: Exocentric Video Generation as Humanoid Control

ExoActor：第三人称视频生成驱动通用人形机器人控制 | BAAI | arXiv:2604.27711

关键词： 人形控制·视频生成·第三人称·交互动力学·零样本泛化

前序工作问题： 人形机器人需同时建模空间上下文、时序动力学、动作和任务意图的交互，现有方法难以大规模获取多样化数据

贡献： 复用大规模视频生成模型作为交互动力学的统一接口，两阶段流程：先生成第三人称执行视频，再通过运动估计转为可执行动作

效果： 无需额外真实数据即可泛化到新场景，展示视频生成模型在机器人领域的全新应用范式

批判点评： 两阶段流程中运动估计误差会逐级累积；视频生成的物理真实性不足可能导致不可执行的动作序列

趋势观察

1. 奖励模型正成为视觉生成标配 — 从 Edit-R1 到 AesRM，RL 驱动的奖励模型正覆盖图像编辑和视频美学两大场景，验证器范式取代简单打分
2. 蒸馏与 Token 选择加速双管齐下 — AdvDMD 4 步超 40 步原模，YOSE 按掩码比例线性缩放，加速方法从模型级延伸到 Token 级

人工智能炼丹君 整理 | 2026-05-04

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