通过最优输运理解DDPM潜变量
本文介绍了一种新的基于生成对抗网络的优化输运模型，使用$2$-Wasserstein距离度量判别器的目标函数，证明了在训练期间，生成器沿着初始和目标分布之间的$W_2$-测地线走，最终重现出最优映射，在低维和高维连续设置中进行验证，并证明其在图像数据上的性能优于以前的方法。
Jun, 2019
通过对DDPM模型进行简单修改，可以在保持高质量样本的同时达到具有竞争力的对数似然值，并学习反向扩散过程的方差，从而使用数量级更少的正向传递采样。使用精度和召回率比较DDPM和GAN模型的性能，并证明这些模型的样本质量和似然值可以与模型容量和训练计算平稳地提高。
Feb, 2021
本研究探索使用可扩散概率模型作为自编码器的解码器，让输入图像生成一个可以被意义化和解码的编码向量，该编码向量分为两部分：第一部分是含有语义的线性编码，而第二部分是建模随机变量的编码，提升了图像生成的质量并且在其他应用中可以用来做属性调整和去噪等任务。
Nov, 2021
通过新的参数化方法和扩散模型的渐进提炼过程，从而在不降低感知质量的前提下将采样步骤尽量减少到四步，从而提高了采样效率，并为生成建模提供了高效的解决方案。
Feb, 2022
本综述主要介绍了最近视觉领域中扩散模型的进展，特别是那些影响扩散模型计算效率的重要设计方面，重点是强调了最近提出的设计选择，这些选择导致更高效的扩散模型。
Oct, 2022
本技术报告介绍了第一个开源的DDVM模型的复现，通过研究一些设计选择，我们发现了一些重要的因素，并且通过在公共数据上进行训练，在性能上与闭源的DDVM相当。
Dec, 2023
使用Diffusion-C方法分析Diffusion Models的生成限制，通过对经过各种腐败方式和强度处理的输入视觉数据的使用，阐明了这些Diffusion Models的性能特征，并探讨了影响深度学习系统机制的噪声成分的重要性。
Dec, 2023