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
本文提出DPM-Solver++，一种高阶求解器，用于改善和加速基于指南的扩散概率模型的采样质量，并且比先前的高阶求解器更稳定和快速。实验证明，在像素空间和潜空间DPM的引导采样中，DPM-Solver++仅需要15到20步即可生成高质量样本。
Nov, 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
本文研究扩散模型的采样动力学，通过挖掘它的几何结构，提出一种简单却强大的采样理论框架，并将扩散模型的优化与经典的均值偏移算法关联起来。
本文提出了一种名为DDM的扩散模型，通过将复杂的扩散过程分解为两个相对简单的过程，来提高生成效果和速度，它通过显式转移概率近似图像分布，并通过标准维纳过程控制噪声路径；文章还提出了一个新的DPM训练目标，能够分别预测噪声和图像成分，同时，DDM的逆向去噪公式可以自然地支持少数的生成步骤（不需要基于ODE的加速器），实验结果表明，DDM在更少的函数评估方面优于以前的DPM。
Jun, 2023
该研究提出了一种新的改进方法，通过最小化高保真图像生成中的采样误差，建立了一种针对传播概率模型的新的快速ODE求解器DPM-Solver-v3，并通过引入一些在预训练模型上高效计算的系数，提高了样本质量。
Oct, 2023
通过六个简单步骤清晰陈述，简化并阐明噪声扩散概率模型（DDPM）的构建及其工作原理。
Feb, 2024
LD3是一个轻量级的学习时间离散化的框架，可在采样Diffusion ODE时与各种求解器结合使用，从而提高采样效率并减少计算开销。
May, 2024
本研究针对当前扩散模型在高维数据分布中表现出的局限性进行了探讨，提出了在流形假设下分析去噪扩散概率模型的新方法。研究表明，这些模型在学习评分方面与环境维度无关，同时在采样时相对于Kullback-Leibler散度的速率也显著，具有潜在的理论与实际应用价值。
Sep, 2024