NeurIPS'2025上，字节跳动与加州大学联合团队提出的解耦扩散Transformer（DDT），为扩散模型与Transformer融合研究提供新范式，成功解决传统架构在高维数据生成中“语义-细节耦合失衡”“训练收敛效率低”的痛点，成多模态生成领域重点研究方向。

从科研角度看，扩散模型的连续数据生成能力适配图像、音频等研究场景，但全局特征建模弱；Transformer虽能捕捉长程依赖，却易导致生成结果细节模糊。而DDT的双分支解耦架构，在ImageNet-1K 256×256图像生成任务中，不仅将FID值降至1.31，还通过动态注意力权重分配解决了多模态数据生成中语义偏移问题，为跨模态生成研究提供新思路。

想深耕该领域的科研人，可重点探索解耦架构在医学影像生成中的适配性、小样本场景下的扩散-Transformer协同优化，这些方向既有学术创新性，又能对接实际科研需求；我整理了10篇相关的前沿论文，顶会/顶刊论文＋部分官方代码打包免费送，工种号 沃的顶会 感兴趣的同学扫码回复 “扩散trans” 领取。

Vchitect-2.0：Parallel Transformer for Scaling Up Video Diffusion Models

文章解析

论文提出了一种名为Vchitect-2.0的并行Transformer架构，旨在解决大规模文本到视频生成中的时间一致性、计算效率和可扩展性问题。通过引入多模态扩散块、高效训练框架以及高质量数据集，该方法在视频质量和训练效率上超越现有技术，并为高保真视频生成提供了基础。

创新点

设计了多模态扩散块以确保文本描述与生成视频帧之间的一致性，并保持时间连贯性。

提出了基于混合并行主义和内存优化技术的高效训练框架，支持长视频序列的分布式训练。

构建了高质量的大规模训练数据集Vchitect T2V DataVerse，提升模型训练和泛化能力。

研究方法

通过多模态扩散块建模动态交互和平滑过渡，确保时间和空间一致性。

结合数据并行和序列并行技术，使用重计算和卸载等方法优化内存消耗。

创建包含严格注释和美学评估的百万级高质量数据集，支持复杂任务的训练。

研究结论

Vchitect-2.0在多个基准测试中表现优于现有方法，特别是在时间连贯性和计算效率方面。

混合并行框架显著提高了训练可扩展性，降低了内存开销。

高质量数据集和创新架构为未来视频生成研究奠定了坚实基础。

UDHF2-Net：Uncertainty -diffusion -model -based High -Frequency Transformer Network for Remotely Sensed Imagery Interpretation

文章解析

论文提出了一种新的网络UDHF2-Net，针对遥感影像解译中的语义分割和变化检测问题，解决了空间分布模式的平稳与非平稳共存、边缘不确定性以及几何配准误差导致的误检问题。通过引入高频频域连接范式（SHCP）、基于掩码和地理知识的不确定性扩散模块（MUDM）以及频域半伪孪生网络结构，显著提高了语义分割和变化检测的精度。 

创新点

提出了空间平稳与非平稳高频连接范式（SHCP），增强边缘提取精度。

设计了基于掩码和地理知识的不确定性扩散模块（MUDM），逐步去除模拟光谱噪声，提升边缘提取和变化检测准确性。

首次提出频域半伪孪生UDHF2-Net，平衡变化检测任务中的精度与复杂度。

研究方法

通过HRFormer启发，用高频流代替高分辨率流以持续保留高频信息。

采用自监督学习策略MUDM减少几何配准误差带来的边缘误检问题。

构建频域半伪孪生网络结构以应对变化检测任务的复杂性。

研究结论

在语义分割实验中，UDHF2-Net在ISPRS Potsdam、Vaihingen和LoveDA数据集上分别达到92.00%、87.31%和55.27%的最佳mIoU值。

在变化检测实验中，半伪孪生UDHF2-Net在WB-CD、LEVIR-CD和SYSU-CD数据集上分别达到93.12%、90.47%和78.13%的最佳IoU值。

消融实验验证了UDHF2-Net各模块的有效性，显著提升了任务精度。