基于分数的扩散模型用于加速 MRI
本文研究使用基于得分的扩散模型进行深层生成建模的方法，系统比较和理论分析不同方法学习条件概率分布的效果，并证明得出条件得分最成功的估计器的理论依据。同时，介绍了多速度扩散框架，提出了一个新的条件分数估计器，与之前的最先进方法相当。伴随着本文的理论和实验研究是一个开放源代码库 MSDiff，可用于应用和进一步研究多速度扩散模型。
Nov, 2021
本文提出了将基于分数的扩散模型转化为原则性先验（`` 基于分数的先验 '）来分析给定测量的后验图像的方法。实验结果表明，基于分数的先验使得数据驱动图像先验的归纳推理变得更加精细。
Apr, 2023
本研究提出了一种算法框架，用于在一般非线性逆问题中将基于分数的扩散模型作为表达性数据先验。通过引入扩散插入和播放方法 (DPnP)，交替调用两个采样器，一个仅基于前向模型的似然函数的邻近一致性采样器，另一个仅基于图像先验的分数函数的降噪扩散采样器。首次建立了 DPnP 在解决线性和非线性图像重建任务中的渐近性和非渐近性性能保证，并通过数值实验证明了其潜力。
Mar, 2024
本文通过导出一个变分框架来推导连续时间生成扩散理论，并表明该理论中最小化匹配得分损失等价于最大化该理论内所提出的可逆 SDE 插件的似然度的下限。
Jun, 2021
本文提出了一种基于随机微分方程的得分模型生成方法，通过缓慢注入噪声将复杂数据分布平滑地转换为已知的先验分布，并通过缓慢地消除噪声将先验分布转换回数据分布，同时利用基于神经网络的得分生成建模技术可以精确估计这些得分，并使用数值微分方程求解器生成样本。
Nov, 2020
本文提出一种利用自适应步长的随机微分方程求解器来加速基于评分的生成模型，方法能够稳定高效地生成高质量的数据，特别是在高分辨率图像生成方面表现优异。
May, 2021
本文提出了一种基于未监督方法的重建医学图像的技术，利用基于得分的生成模型捕捉医学图像的先验分布，通过一种采样方法重建医学图像，能够灵活适应不同的测量过程，相比有监督学习技术在多项医学成像任务中表现更好，并且在未知测量过程下表现显着更好。
Nov, 2021
我们提出了一种替代函数，用于有效地利用基于分数的先验对贝叶斯逆向成像进行建模。我们的替代先验在变分推断中对大型图像进行了高效的近似后验采样，并且相比先前方法的精确先验，至少将变分图像分布优化的速度加快了两个数量级。我们还发现，我们的方法在推理中实现了比涉及超参数调整的非贝叶斯基线更高保真度的图像。我们的研究为将基于分数的扩散模型作为成像的通用先验提供了实用的途径。
Sep, 2023