我们提出了一种基于扩散生成流采样器 (DGFS) 的抽样框架，该方法可以将学习过程易于处理地分解为短的部分轨迹段，通过参数化额外的 “流函数”，并且在各种具有挑战性的实验中展示了相比于相关先前方法更准确的规范常量估计。

Oct, 2023

本文提出了一种名为 FDRL 的方法，它采用渐进式学习，解决了由于分布差异导致的密度差距问题，可以生成高达 $128 imes128$ 尺寸的图像，且在定量基准测试上优于现有的梯度流算法。

Mar, 2023

提出 VGrow 框架来学习深度生成模型，通过 $f$-divergence 进行梯度流，使用 logD-trick GAN 来作为新的目标函数评估不同的散度，结果表明 VGrow 可以生成高保真图像并且表现优异。

Jan, 2019

建议了一个统一理论框架，将基于得分的扩散模型和生成对抗网络合并起来，提出了一个名为 “鉴别器去噪扩散流” 的新 SDE，通过调整不同得分项之间的相对权重，可以在 SDMs 和 GANs 之间实现平滑转换，同时保持边际分布不变，提供了新的算法，并具有在高样本质量和快速采样速度之间实现灵活权衡的潜力。

Jul, 2023

我们提出了一种梯度流程用于生成建模，通过将粒子从初始源分布传输到目标分布，其中粒子上的梯度场由噪声自适应最大均值差异 (MMD) 的梯度给出。我们称该方法为扩散 - MMD - 梯度流或 DMMD。该方法不需要对抗性训练，而与生成对抗网络 (GAN) 中的判别器训练相关。我们在 CIFAR10、MNIST、CELEB-A (64 x64) 和 LSUN Church (64 x 64) 的无条件图像生成中获得了具有竞争力的实证性能，并在 MMD 被 KL 散度的下界替代时证明了该方法的有效性。

May, 2024

本研究提出了离散去噪流模型（Discrete Denoising Flows, DDFs），用于建模离散的随机变量，并证明在对数似然度量中，在建模玩具示例，二进制 MNIST 和 Cityscapes 分割地图方面，DDFs 优于 Discrete Flows。

Jul, 2021

本研究提出了一种基于评分差异流的新方法，该方法通过最优降低 Kullback-Leibler 距离来将源分布向目标分布推进，该方法在处理生成建模三难题（高样本质量，模式覆盖和快速采样）时具有潜在的应用价值。

Apr, 2023

本文介绍了基于随机微分方程的扩散归一化流生成建模新方法 —— 扩散归一化流算法。该算法使用两个神经 SDE：一个前向 SDE 和一个后向 SDE，通过联合训练两个神经 SDE，将后向 SDE 收敛于一种扩散过程，从而具备更好的高维数据密度估计和图像生成性能。

Oct, 2021

通过与流动匹配模型（Flow-Matching models）不再训练特定任务模型，我们引入 D-Flow，这是一个简单的框架，通过在流动过程中进行微分来控制生成过程，并优化源（噪声）点。我们验证了该框架在线性和非线性控制生成问题上的有效性，包括图像和音频逆问题以及有条件分子生成，并在所有问题上达到了最先进的性能。

Feb, 2024

提出了一种新的深度学习范例 —— 差分流，其通过先学习输入的随机微分方程变换，再进行标准分类或回归处理。微分高斯过程的关键属性是通过无穷深度但无穷小的微分场对输入进行扭曲，将离散层推广为动态系统，证明了其优于深度高斯过程和神经网络的最先进成果。

Oct, 2018