Google Research 发布 Diffusion Controller 框架，把扩散模型的去噪过程重新定义为连续控制问题，主模型完全冻结，仅用轻量"转向阻尼"网络注入微调修正。该框架在 Stable Diffusion v1.4 上用 HPS-v2 评测，其完全解锁版本对基线模型取得 90% 胜率，并支持 PPO 策略梯度与奖励加权损失两种微调方式，可在不接触底层代码的情况下定制闭源模型。
Google Research 在 ICLR 2026 论文《On the Interpolation Effect of Score Smoothing in Diffusion Models》中解释了扩散模型的创造力从何而来：神经网络训练中的正则化会让学到的得分函数变得平滑，即"得分平滑"，使去噪过程在训练数据点之间产生插值，从而生成新样本。
伯克利 AI Research 提出一种直接评估和优化成像系统信息量的框架，仅用含噪测量和噪声模型估计互信息，可预测解码器性能。在 NeurIPS 2025 论文中，该方法在彩色摄影、射电天文、无透镜成像和显微成像四个领域验证了信息估计与下游任务表现的一致性，优化后的设计达到 SOTA 端到端方法水平，同时占用更少内存和算力、无需任务专用解码器。