改进降噪扩散概率模型
本文描述了一种更高效的迭代隐式概率模型——去噪扩散隐式模型（DDIMs），通过构建一类非马尔科夫扩散过程来加速采样过程，相对于去噪扩散概率模型（DDPMs）可以使采样速度提升10倍至50倍。这种模型可以用于图像生成和语义意义化的图像内插。
Oct, 2020
提出了一种动态规划算法，基于ELBO分解原理，可用于任何预先训练的DDPM，通过优化推理时间表来发现最优的离散时间表，从而实现生成速度与样本质量之间的平衡。
Jun, 2021
本文提出了一种基于多模式条件GAN，使其具有高样本质量、高模式覆盖和快速采样三个特性的去噪扩散生成对抗网络，同时在 CIFAR-10 数据集上比原扩散模型快 2000 倍，并且是第一种将采样成本降至足够低以便于应用于实际应用的模型。
Dec, 2021
通过Differentiable Diffusion Sampler Search方法优化Diffusion Models的samplers，使用Generalized Gaussian Diffusion Models生成高质量的样本，实现无条件图像生成。
Feb, 2022
本研究提出了一种基于“限制后向误差进度表”（RBE进度表）的快速采样方法，使Denoising Diffusion Probabilistic Models（DDPM）拥有更快的采样速度而不需要进一步训练，并在各种基准数据集上实现了高品质图像的生成。
Apr, 2023
本文介绍了一种基于Markovian过程的Upsampling Diffusion Probabilistic Model（UDPM），相较于传统的Denoising Diffusion Probabilistic Models（DDPM），它在降低潜变量维度的同时，仅需7个扩散步骤即可生成$256 imes 256$的高清图像。
May, 2023
通过匹配隐式和显式因素，我们提出了一种新的方法，以解决生成模型中的采样难题，该方法利用隐式模型匹配噪声数据的边缘分布和前向扩散的显式条件分布，以有效地匹配联合降噪分布，并获得与扩散模型相当的生成性能和比采样步骤少的模型相比更好的结果。
Jun, 2023
本研究提出一种名为SR-DDPM的新方法，通过利用少样本表示学习技术，解决面临有限数据的多任务图像生成挑战，以提高图像质量，并在标准图像数据集上对其进行评估，发现其在FID和SSIM指标上优于无条件和有条件的DDPM。
Nov, 2023