本研究介绍了扩散模型在文本生成任务中的应用，并提出了两种桥接训练和推理之间差异的方法，分别为 “距离惩罚” 和 “自适应衰减采样”，实验证明这两种方法能够在保证性能的情况下加速 100 倍至 200 倍。

May, 2023

本文提出了一种基于普通微分方程的线性扩散模型（LinDiff），其旨在实现快速推理和高采样质量，并通过基于补丁的处理方法来减少计算复杂性和实现嘈杂语音的有效全局建模，并使用对抗性训练进一步改善样本质量，并在 Mel - 声谱图上条件语音合成中进行测试，实验结果表明，即使只有一个扩散步骤，该模型也可以合成高质量的语音，而且在更快的合成速度下合成质量与自回归模型相媲美。

Jun, 2023

本文旨在使用一种轻量级和快速的扩散基声码器（FreGrad）生成逼真的音频。通过离散小波变换将复杂波形分解为子带小波，以帮助 FreGrad 在简单的特征空间上进行操作；设计了一种频率感知膨胀卷积，提高频率感知性，产生具有准确频率信息的语音；引入了一些技巧，提升了所提模型的生成质量。在实验中，FreGrad 相比基线模型训练时间缩短了 3.7 倍，推理速度提高了 2.2 倍，同时模型尺寸减小了 0.6 倍（仅 1.78M 参数），且没有牺牲输出质量。音频样本可在此链接中找到：this https URL。

Jan, 2024

通过两阶段训练方法，我们解决了扩散模型在语音增强中的潜在问题，实现了与基准模型相当的性能，缩短了推理过程时间，并显著优于扩散基线模型。

Sep, 2023

该研究提出了一种结合可逆神经网络和扩散模型的方法（INDigo）来解决逆问题，同时在扩散过程中添加数据一致性步骤来优化重建图像，实验表明该方法可以在更多复杂的退化模型和低质量图像上表现良好。

Jun, 2023

Grad-TTS 是一款使用基于得分的解码器的文本转语音模型，使用随机微积分的方法将通过噪声预测的语音信号和文本输入进行逐步变换，从而实现噪声到语音的重建，并能够在保持音质、推理速度之间进行灵活平衡。主观人评表明 Grad-TTS 在 Mean Opinion Score 方面具有与最先进的文本转语音方法相竞争的能力。

May, 2021

本文提出了 PriorGrad，通过基于条件信息的数据统计推导出自适应先验来提高条件扩散模型的效率，改进语音合成中基于谱和时间域的扩散生成模型，通过理论分析和实验验证，提高了效率和稳健性。

Jun, 2021

本文提出了一种名为 ProDiff 的文本到语音模型，它利用渐进式快速扩散模型直接预测干净数据来减少扰动模型迭代次数，从而提高高质量的音频语音合成速度。使用基于 GPU 硬件的 ProDiff 模型可以实现 24 倍于实时速度的语音合成，相对于其他使用数百步骤的模型，它只需要进行 2 次模型迭代就能合成高保真和多样化的语音合成样本.

Jul, 2022

我们提出了一种新的蒸馏方法，可以减少迭代计算过程中无需分类器指导的扩散模型的推理计算时间，并且只需要基础模型的 1％的可训练参数，同时还能维持生成图像的视觉逼真度。

Jun, 2024

本文提出了一种基于去噪扩散概率模型的条件生成模型，通过把一个已知的、可求导的正向模型集成到去噪过程中，实现了间接观测信号的采样， 并在三项具有挑战性的计算机视觉任务中进行了验证。

Jun, 2023