| FRM-2605.12964 |
AsymFlow 五层重建：不对称速度目标 Pε−x0 与解析恢复 → 端点归约（r=0/正负号 x0-pred，r=D u-pred）→ Procrustes lift 的轨迹耦合定理 → 方差缩减微调损失（control variates + LPIPS 门控）；断言投影待 G1 签发后进行。 |
Formalization
|
|
| PPR-2510.11690 |
Diffusion Transformers with Representation AutoencodersRAE（Representation Autoencoder）：用冻结的预训练表征编码器（DINOv2/SigLIP/MAE）配一个训练出的 ViT 解码器替换 VAE 作为扩散潜空间；针对高维潜空间上 DiT 训练困难，给出按 token 维度缩放宽度、维度相关噪声调度平移、噪声增强解码三策并配宽 DDT 头；ImageNet 256 无引导 FID 1.51、有引导 1.13。 |
Paper
extracted
n/a
|
|
| PPR-2606.29150 |
Flow Reasoning Models: Turning Flows Into Efficient Recurrent ReasonersFlow Reasoning Models（FRM）：把离散结构化输出上的连续流自条件于自身过往预测，把一次性去噪变成迭代解细化；针对递归下的曝光偏差提出 Fixed-Point Forcing（FPF），用模型自身推断动力学的状态训练；三基准求解率 99.5%/100.0%/99.9%，Sudoku-Extreme 上以 44× 更少 FLOPs 匹配次优 98.7%。 |
Paper
extracted
n/a
|
|
| FRM-006 |
CVAE（Sohn, Lee & Yan, NIPS 2015）的五层重建骨架：作者把结构化输出建模为以输入为条件的隐变量生成模型，用变分下界在 SGVB 框架训练；产出 CVAE、GSNN 与混合目标，并给出多尺度预测与输入噪声注入两种训练策略。P3 投影待用户发起。 |
Formalization
|
|
| CPT-032 |
PPR-006 提出的条件有向图模型：输入观测 x 调制高斯隐变量 z 的条件先验 p_θ(z|x)，再由 z 生成输出 y；由识别网络 q_φ(z|x,y)、条件先验网络 p_θ(z|x)、生成网络 p_θ(y|x,z) 组成，在 SGVB 框架下最大化条件对数似然的变分下界训练，支持结构化输出的一对多建模与多样性预测。 |
Concept
|
|
| CPT-033 |
PPR-006 提出的模型：CVAE 的特例——把识别网络与条件先验网络取相等，目标中只剩生成项 L_GSNN = E log p_θ(y|x,z)，z = g_θ(x,ε)、ε~N(0,I)；可视为带高斯隐变量的随机前馈网络，重参数化技巧使其可由 CVAE 的同一套训练技巧训练。 |
Concept
|
|
| PPR-006 |
Learning Structured Output Representation using Deep Conditional Generative Modelsc-VAE 原论文（Sohn, Lee & Yan, NIPS 2015）：提出条件变分自编码器（CVAE）——输入观测调制高斯隐变量先验的条件有向图模型，用识别/条件先验/生成三个网络在 SGVB 框架下最大化条件对数似然下界，天然支持一对多结构化输出与多样性预测；另提出其特例 GSNN 与混合目标，以及输入噪声注入与多尺度预测两种训练策略。 |
Paper
extracted
n/a
|
|
| CPT-031 |
PPR-2607.02375 为一条生成建模范式起的伞名：满足“一步生成 + 唯一训练信号是分布匹配 + 匹配在冻结预训练编码器特征空间进行 + 无在线教师/对抗判别器/轨迹模拟”这一组共同特征的方法构成该支；库内实例为 Drifting、FD-loss、W-Flow。 |
Concept
|
|
| PPR-2211.01095 |
DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models面向引导采样的 DPM-Solver 变体：改用数据预测模型 x_θ 解扩散 ODE，配合阈值化抑制大引导尺度的训练-测试不匹配、并用多步形式缩小有效步长；论文实测此前高阶求解器在引导尺度 8.0 下 15 次求值质量不如一阶 DDIM，本方法在 15–20 步给出高质量引导样本。 |
Paper
extracted
n/a
|
|
| PPR-2607.02375 |
Representation Distribution Matching for One-Step Visual GenerationRDM/iRDM：本文为“冻结预训练编码器下匹配生成与真实特征分布来训练一步图像生成器”这一既有范式命名（先前实例如 drifting field、Fréchet-distance loss）；两条设计轴得出 MMD 估计对了即强、batch 需 >2048、单一编码器可被 game 故用编码器组合与 SWmetric 评估；ImageNet 一步 SWmetric 1.30。 |
Paper
extracted
n/a
|
|