| PPR-2602.04770 |
Generative Modeling via DriftingDrifting：把生成建模表述为学习映射 f 使其 pushforward 分布匹配数据分布，并在训练期演化 pushforward 分布、因而天然支持一步推理；引入 drifting field 支配样本移动、在分布匹配时达平衡；一步生成在 ImageNet 256×256 得 FID 1.54（latent）/1.61（pixel）。 |
Paper
extracted
n/a
|
|
| PPR-2604.28190 |
Representation Fréchet Loss for Visual GenerationFD-loss：证明 Fréchet 距离可有效作为表征空间的训练目标——把 FD 估计的样本量（如 50k）与梯度计算的样本量（如 1024）解耦；用 FD-loss 后训练基础生成器可一致提升视觉质量，且能把多步生成器改造为一步生成器（无需教师蒸馏/对抗训练/逐样本目标），并揭示 FID 会错排视觉质量、据此提出多表征度量。 |
Paper
extracted
n/a
|
|
| PPR-2605.11755 |
One-Step Generative Modeling via Wasserstein Gradient FlowsW-Flow：把一步生成拆成两步——先用 Wasserstein 梯度流（能量泛函最小化）定义从参考分布到目标分布的演化，再训练静态神经生成器把该演化压缩成一步；能量泛函用 Sinkhorn 散度实例化，得高效最优传输更新、改善覆盖；一步 ImageNet 256×256 达 1.29 FID，比同 FID 的多步扩散快约 100×。 |
Paper
extracted
n/a
|
|
| FRM-2309.10443 |
PlanTF（Cheng 等, CoRL 2023）五层重建：核心是 hidden imitation gap——完美模仿的 log replay 经 LQR 执行后在 Test14-hard 上掉 5.65（TH-1），说明执行链偏差是学习系闭环失败的构成性成分；Test14-random/hard 与 1M 帧训练 split 的定义亦出自本文。 |
Formalization
|
|
| CPT-017 |
NAVSIM v1 场景分：NC/DAC 门控乘积 × (5·EP+5·TTC+2·C)/12；得名于 PDM（Predictive Driver Model，PPR-2306.07962）规划器的轨迹打分函数，是 nuPlan 闭环分数的轻量重实现。 |
Concept
|
|
| FRM-2306.07962 |
Parting（Dauner 等, CoRL 2023）五层重建：论证主线是 PDM 方法族逐级构造至 PDM-Hybrid（学习模块只修正跟踪器不消费的远端路点，C-horizon 原则）；开环与闭环负相关（TH-1）与规则基线强（TH-2）是引子，Val14（TH-3）是评测载体。 |
Formalization
|
|
| FRM-2606.26017 |
G2DP 五层重建：核心对象是 CPT-013 时空代价体（占据概率栅格 × 路线进度图融合）在推理期的可微引导；公理层为能量重加权目标分布、Top-K 车体聚合与末段注入等六个作者前提；论证主干是 Table 4 在同一 DiT 骨干下隔离『稠密网格 vs 稀疏实例』的引导模态消融（稀疏臂按 PPR-2501.15564 附录 C 实现、以 oracle 邻车供给）。 |
Formalization
|
|
| PPR-2105.05233 |
Diffusion Models Beat GANs on Image Synthesis扩散超越 GAN 的系统改进（Dhariwal & Nichol 2021）：架构消融（U-Net 改进 + attention）+ **classifier guidance**——用分类器梯度对采样做条件化，以 25 步前向得 FID 2.97（ImageNet 128）；是 G2DP 能量重加权引导（AX-1）的机制源头。 |
Paper
extracted
n/a
|
|
| PPR-2501.15564 |
Diffusion-Based Planning for Autonomous Driving with Flexible GuidanceDiffusion Planner（ICLR 2025）：DiT 骨干 + 联合预测-规划的闭环驾驶规划器，免规则精修达 nuPlan SOTA；引导用 DPS（免训练、可微能量函数）实现运行时行为对齐——是 G2DP 的直接基线与稀疏引导臂来源（AX-6），本库验证 CLM-025/026/027/032 的第二来源。 |
Paper
formalized
n/a
|
|
| PPR-2606.26017 |
G2DP: Diffusion Planning with Spatio-Temporal Grid GuidanceG2DP（奔驰/KIT/TUM）把未来占据概率栅格与路线进度图融合成可微的时空代价体，在去噪末段注入能量梯度引导 DiT 采样，不重训骨干即插拔；nuPlan 纯模仿类最强（reactive 比最强基线 +7.2），零样本迁移 interPlan/DeepScenario 保持最高分，interPlan 避碰比无引导 +10.15。 |
Paper
formalized
n/a
|
|