生成式AI

多时相卫星影像因季节和光照变化导致外观差异巨大，传统立体匹配方法性能严重下降。SeasonStereo提出了一种全新的解决思路：利用生成式模型从真实同步像对合成几何保持的季节性影像，构建大规模多时相训练集；同时冻结基础立体模型MonSter++的零样本视差作为伪真值，结合同步像对上的光度一致性损失进行训练，完全避免了昂贵的LiDAR监督。实验表明，该方法在多个测试集上达到了与LiDAR监督方法相当的性能，尤其在多时相测试集上显著优于现有方法。需要注意的是，该方法在水体、树木等区域几何一致性较差，且依赖预训练基础模型的零样本质量。

视频扩散模型加速常面临多样性丧失与运动缺失的困境。PDD提出并行解码蒸馏，通过单次评估预测多步平均速度，避免JVP与对抗损失。实验显示其在Wan2.1等模型上显著优于DMD2，保留更多细节与动态。注意：大规模实验依赖Data-free训练，泛化性待验证。

本文分析FLOWCTS论文，指出传统基于KL散度的在线蒸馏（OPD）在流模型中存在时序监督错配：损失集中在去噪后期，忽略了早期关键的速度场差异。FLOWCTS通过连续轨迹监督重新定义目标，在GenEval和OCR上取得更好结果。注意：监督步数K并非越大越好，需权衡结构一致性与细节保留。