GP-Refiner：用高斯过程校正扩散Transformer特征缓存的累积误差
本文提出GP-Refiner，利用高斯过程回归（GPR）校正扩散模型特征缓存中的累积误差，并通过后验方差实现自适应重计算，在保持生成质量的同时显著提升推理速度。
DiT
ReaDiT：单块 DiT 特征如何实现轻量级图像与视频生成控制
本文提出了 ReaDiT，一种轻量级框架，通过提取冻结 DiT 模型中单个 Transformer 块的特征来预测空间目标（如深度、姿态、边缘）或光流，并在推理时通过优化潜变量引导图像和视频生成，无需修改基础模型即可实现统一的空间与运动控制。
KroQuant：用Kronecker结构破解DiT W4A4量化难题
DiT模型的W4A4 PTQ因激活Outliers导致质量下降，且AdaLN层使传统离线吸收技巧失效。KroQuant提出一种基于Kronecker积的可学习块对角激活变换，结合LoRaQ权重校正，在保持推理速度的同时显著提升图像质量。实验表明，该方法在PixArt-Σ、SANA和FLUX.1-schnell上均优于基线。需注意，该方法依赖支持MXFP4格式的硬件，且在线变换增加了计算开销。
AppearancePointers：DiT多模态区域控制新范式
本文介绍AppearancePointers，一种用于扩散变换器（DiT）的多模态区域控制方法。通过生成紧凑的指针令牌，该方法在单次去噪步骤中实现文本、图像和空间掩码的精确对齐。实验显示其在CLIP-I、DINO-I和MIoU指标上优于MS-Diffusion和InsertAnything等基线。需注意，区域数量过多时性能会下降。
DiTango：利用注意力空间局部性的低成本并行扩散生成
本文介绍DiTango，一种针对分布式DiT推理的低成本并行生成方法。针对现有Context Parallelism在多节点扩展时的通信瓶颈，DiTango利用注意力贡献的空间局部性，提出基于Attention State的可组合复用机制。通过Anchor-guided Selection Planner预测复用误差，结合State-centric Parallel Runtime优化通信与计算重叠。实验显示，在32 GPU上，Wan-14B模型获得1.9倍端到端加速，同时保持高质量生成。