ReGDiff 讓擴散模型生成又合理又新穎的超材料結構
維吉尼亞理工與 Meta 的研究者在 NeurIPS 2026 提出 ReGDiff，用擴散模型生成超材料體素結構，以緩解「貼著訓練資料」與「生成碎塊廢件」之間的兩難。方法分兩步：先用 RAS 把自編碼器潛空間整理成好壞可分、覆蓋均勻的形態，再在取樣時對近處已知樣本施加短程排斥。團隊還補上桁架體素資料集 MetaTruss 和五項量化指標，相比最強基線，幾何合理性平均提升 8.9%、新穎性提升 46.4%、多樣性提升 128.6%，生成 1000 個結構約 31 秒。
為體素超材料補上統一資料集與量化評測指標，並開源可復現的擴散框架，新穎性較最強基線提升 46.4%，對 AI for Science 與生成式結構設計研究者有直接參考價值。
原標題：AI设计超材料，不用在「照搬」和「散架」间二选一了
閱讀原文
| 評分 | 70 / 68（平均 69，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
Oscilloscope Diffusion 發布，可對現有影片做擴散重繪
Oscilloscope Diffusion 是一種通過擴散模型干預現有影片的新方法，以影片的運動與形態為起點，重新詮釋其紋理、材質與視覺語言。該工具由作者圍繞其在 TouchDesigner 中製作的音訊反應幾何系統開發，演示素材來自其 Oscilloscopes, everywhere 合集（已更新至 v1.2），也可輸入任意影片源。使用者可選擇源影片、描述處理方式，並通過提示詞、精選 LoRA 與可編輯時間線控制結果與原始影片的貼合程度。
自迴歸擴散生成市場資料：DDPM 發散，流匹配更穩
用自迴歸擴散生成市場資料時，全連續擴散難以刻畫真實訂單流的尖峰分佈。實習生 Kavish 以 4 年美國股票事件級資料訓練模型，發現 DDPM 在 1000 步餘弦噪聲排程下不穩定，7 個連續目標中 88%–95% 的取值偏離分佈均值 8 個標準差以上，改用流匹配後開箱即可用。模型用因果掩碼 Transformer 編碼事件，事件型別頭判斷交易或 BBO 更新，價格、時間間隔等連續特徵由擴散頭生成。
曼徹斯特大學提出相容性感知形態學習，實現梯度超材料逆向設計
曼徹斯特大學 Digital Manufacturing Lab 提出相容性感知形態學習（Compatibility-Aware Morphology Learning）框架，把微結構間的邊界幾何相容性直接編碼進低維設計空間，使不同拓撲單胞能夠連續過渡，論文已被 CMAME 接收，程式碼與資料在 GitHub 開源。該框架還結合基於先驗的資料篩選，在進入昂貴多物理場最佳化前先篩掉聲學潛力不足的候選結構，並以力學—聲學協同設計作為驗證案例。
清華提出樣本分佈訓練，一步生圖 SOTA、8 卡訓 14B 影片模型
清華大學等機構提出「樣本分佈訓練」，用一批生成樣本與參考樣本的整體分佈差異提供監督，取代逐樣本的參考答案，把生成壓縮到一步或少數幾步。MGFlow 在 ImageNet 256×256 上把 pMF-H、JiT-H 的單步 FDr⁶ 降至 1.45、1.64，較 FD-Loss 降低約 23% 和 38%；後訓練 FLUX.2 [klein] 4B 一步文生圖，GenEval 從四步的 0.794 升至 0.900。
港科大等發布首篇自迴歸影片生成 Memory 綜述，110 頁
香港科技大學、香港城市大學、復旦、CMU、NYU、NTU 等機構聯合發布 110 頁綜述《The Past Frames the Future: Memory for Autoregressive Video Generation》，系統梳理自迴歸影片生成中的 Memory 機制。