研究人员推出 MUSE，一种使用一步扩散模型进行多任务密集预测的新型无参数方法。MUSE 将固定的正弦时间步嵌入重新用作内源性任务引导信号，无需笨重的适配器或可学习的任务标记。该方法通过流形解耦进行解释，在 U-Net 和 DiT 等各种数据集和架构上均表现出竞争力，为通用视觉模型提供了一条高效的路径。 AI
影响 这项研究通过利用现有的扩散模型基础设施，为多任务视觉模型提供了一种更有效的方法。
排序理由 该集群描述了一篇关于计算机视觉任务新方法的最新研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.30370v1 Announce Type: new Abstract: Monocular dense prediction has recently seen remarkable success by repurposing pre-trained diffusion models. This opens a promising yet challenging avenue for more efficient multi-task learning paradigm. However, existing multi-task…
Monocular dense prediction has recently seen remarkable success by repurposing pre-trained diffusion models. This opens a promising yet challenging avenue for more efficient multi-task learning paradigm. However, existing multi-task diffusion methods often introduce parameter-hea…