三维数字人生成和编辑在数字孪生、元宇宙、游戏、全息通讯等领域有广泛应用。传统三维数字人制作往往费时耗力，近年来研究者提出基于三维生成对抗网络（3D GAN）从 2D 图像中学习三维数字人，极大提高了数字人制作效率。
近日，来自加州大学尔湾分校等机构的研究人员，利用延迟掩蔽、MoE、分层扩展等策略，将扩散模型的训练成本降到了1890美元。
只需30秒，AI就能像3D建模师一样，在各种指示下生成高质量人造Mesh。
只用1890美元、3700 万张图像，就能训练一个还不错的扩散模型。
用扩散模型搞社交信息推荐，怎么解决数据噪声难题？现有的一些自监督学习方法效果还是有限。
近日，MIT CSAIL 的一个研究团队（一作为 MIT 在读博士陈博远）成功地将全序列扩散模型与下一 token 模型的强大能力统合到了一起，提出了一种训练和采样范式：Diffusion Forcing（DF）。
想象一下你在刷短视频，系统想要推荐你可能会喜欢的内容。
只需Image Tokenizer，Llama也能做图像生成了，而且效果超过了扩散模型。
事实证明，扩散模型不仅能用于生成图像和视频，也能用于合成新程序。
超越扩散模型！自回归范式在图像生成领域再次被验证——
