提出了一种新颖的训练基于分数的生成模型的方法，通过非线性加噪动力学改进结构化分布的学习，从而使其更好地适应数据，在数据预处理步骤中获取结构并引入了两种方法解决非线性动力学训练带来的挑战，展示了该方法在几个示例上的有效性。

May, 2024

通过 Denoising Likelihood Score Matching（DLSM）损失函数的训练，我们可以解决已有条件分数数据生成方法中分类器训练目标会导致分数不匹配的问题，从而更准确地建模条件分数并缓解这个问题。在 Cifar-10 和 Cifar-100 基准测试中，实验结果表明提议的方法在多个关键评估指标上优于以前的方法。

Mar, 2022

本文介绍了一种新的生成模型，利用评分匹配来估计数据分布的梯度，通过 Langevin 动力学生成样本。我们的框架使得模型架构更加灵活，无需在训练期间进行抽样或使用对抗性方法，提供了可用于基于原则的模型比较的学习目标。在 MNIST、CelebA 和 CIFAR-10 数据集上，我们的模型产生的样本与 GAN 相当，实现了 CIFAR-10 inception 得分的新的最先进水平为 8.87。此外，我们通过图像修补实验证明了我们的模型学习到了有效的表示。

Jul, 2019

使用 Langevin 动力学的得分匹配（SMLD）方法已成功应用于加速 MRI。本研究提出一种新的工作流，将 SMLD 结果作为额外的先验来指导模型驱动的网络训练，通过引入预训练的网络和去噪模块，有效改善 PGI 的质量，并设计一个模型驱动的网络，在低质量的 PGI 中提取有价值的信息来指导网络训练，以减轻幻觉伪影，获得稳定和高质量的重建结果。

May, 2024

提出基于一致性约束的得分匹配方法，实验结果表明得到了 CIFAR-10 中条件和无条件生成的最新成果和 AFHQ 以及 FFHQ 的基准改进。

Feb, 2023

通过引入适应性动量采样，有效加速了转换过程，同时在小样本步骤中产生更加逼真的图像 / 图表，并在图像和图表生成任务中获得了有竞争力的评分。

May, 2024

我们提出了一个具有一步采样的基于分数的模型，通过训练一个独立的生成器，用从分数网络反向传播的梯度来压缩所有时间步骤，以产生对于生成器有意义的梯度，并使分数网络同时匹配真实数据分布和伪造数据分布，该模型具有采样快速、训练简单且免除了由一致性损失引起的不适定问题的优势，通过在 CIFAR-10 数据集上进行实验证明了该框架的潜力，并在 MINIST 和 LSUN 数据集上提供了更多示例。

Sep, 2023

现有的分数蒸馏方法对于分类器无关指导（CFG）的尺度非常敏感，表现为小的 CFG 尺度上的过度平滑或不稳定，而在大的尺度上过饱和。本文提出了对抗性分数蒸馏 (ASD) 方法，它使用可优化的鉴别器并使用完整的优化目标进行更新。实验证明，所提出的 ASD 在 2D 蒸馏和文本到 3D 任务中表现优异，并将 ASD 扩展到图像编辑任务，获得有竞争力的结果。

Dec, 2023

通过引入一种新的，临界阻尼 Langevin 扩散，该文提出一种基于分数的生成模型框架，它可以更轻松地学习条件分布的速度得分函数，这比直接学习数据分数函数要容易得多，并用于高分辨率图像合成任务。

Dec, 2021

提出了一种基于变分自编码器框架的潜在分数生成模型 (LSGM)，通过使用潜在空间代替数据空间进行训练，使得该模型可以更加高效地生成样本且在多项任务方面取得了最先进的成果，同时在训练目标中提出多种方差约束的技术以保证其在稳定性和可扩展性上的表现。

Jun, 2021