There are the overall of paper with code for CV / AIGC / LLM / VLM.
https://github.com/Gojay001/paper-with-code-skills.
[Updating…]
RelaCtrl — Relevance-Guided Efficient Control for DiT
给 DiT 加「可控生成」（Canny、Depth、Seg 等）时，主流做法很「笨重」：PixArt-δ 直接复制前 13 个 DiT block 做 ControlNet，参数和 FLOPs 各涨约 50%；OminiControl 把控制 token 拼进序列，token 数翻倍，FLOPs 涨约 70%。更关键的是——它们假设每一层对控制信号同等重要，均匀堆控制模块，造成大量冗余。
WISA — World Simulator Assistant
Sora、Kling、CogVideoX 能生成逼真视频，但常违反物理：橡皮擦越擦字越黑、苹果落水没有溅起水花、液体运动像随机噪声。根因是抽象物理定律与像素生成之间缺桥梁——模型只学「画面像什么」，没学「过程该怎么演化」。
FancyVideo — Cross-frame Textual Guidance
痛点：AnimateDiff 等 T2V 把同一段 text embedding 复制到每一帧做 spatial cross-attention → [verb] 关注区几乎不变 → 动作弱、长视频更明显。
PixArt-δ — Fast and Controllable Image Generation with LCM
PixArt-α 已是高效 DiT 文生图基座；PixArt-δ 在其上叠两层能力：LCM 蒸馏把采样从 14 步压到 2–4 步，A100 上 0.5s/1024px（相对 α 约 7× 加速）；ControlNet-Transformer 把边缘/深度等条件注入 DiT，实现细粒度可控生成。
PixArt-α — Fast Training DiT for T2I
文生图（T2I）训练极贵——Stable Diffusion 1.5 级别模型常需数百万 GPU 时。PixArt-α 的核心思路是「分阶段解耦」：不要一上来就 1024px + 文本 + 美学一起学，而是拆成三步——先学像素依赖（低分辨率、无文本），再学文图对齐，最后学美学与高分辨率。每一步只解决一个子问题，训练更稳、更省。
Recent