[CV]《One Pass Is Not Enough: Recursive Latent Refinement for Generative Models》M Esmaeilzadeh, A Jolicoeur-Martineau, C Vashist, K Li [Simon Fraser University] (2026)
在图像生成领域，高保真与覆盖长尾难以兼得。FID会奖励清晰但重复的样本，过去方法受困于一次性映射，本质原因是潜变量没有修正错误的机会。
本文的核心洞见是：把噪声到风格码的映射重新看作多轮修稿。由此，共享模块递归细化潜在token，使结构先成形、纹理再收紧。
这项工作留下的遗产是让IMLE同时靠近质量、覆盖与一步采样。它打开的新门是可调计算的生成器，但尚未跨过的门槛是ImageNet级训练成本。
arxiv.org/abs/2605.15309 机器学习 人工智能 论文 AI创造营
