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

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

通过设计一个优化问题，并使用约束信任区域方法，我们提出了一种针对特定数值 ODE 解算器的扩散概率模型 (DPMs) 寻找更合适的时间步长的通用框架，该框架能显著改善图像生成性能。

Feb, 2024

该研究通过对扩散概率模型中的随机采样进行综合分析，从方差控制的扩散 SDE 和线性多步 SDE 求解器两个方面提出了改进的高效随机 Adams 方法 SA-Solver，用于生成高质量的数据，在少量函数评估次数下取得改进或可比性能，并在适当的函数评估次数下在大规模基准数据集上获得 SOTA FID 分数。

Sep, 2023

提出了一种适用于扩散概率模型的高效取样器，通过引入分数积分解算器和递归导数估计方法，实现了具有收敛性保证的高效取样算法，与现有的无需预训练的取样算法相比，在离散时间和连续时间的扩散概率模型上取得了最先进的取样性能。

Aug, 2023

通过提出一个统一的采样框架（USF）研究求解器的可选策略，我们进一步揭示出采取不同的求解策略在不同的时间步骤可能有助于进一步减少截断误差，且精心设计的求解器计划有潜力在较大程度上提高样本质量。我们还提出了 $S^3，一个基于预测模型的搜索方法，可以自动优化求解器计划以获取更好的时间 - 质量权衡。通过对 CIFAR-10、CelebA、ImageNet 和 LSUN-Bedroom 数据集的实验证明，$S^3 能够找到优秀的求解器计划，在 10 次函数评估下实现了 2.69 的 FID，5 次函数评估下实现了 6.86 的 FID，明显优于现有方法。此外，我们还将 $S^3 应用于稳定扩散模型，获得了 2 倍的加速比，展示了在非常少的步骤中进行采样而无需重新训练神经网络的可行性。

Dec, 2023

本研究提出了在相同采样过程的不同采样步骤中使用不同的采样器（ODE/SDE）的可行性，并通过实验证明这种多采样器调度在一定程度上改善了采样结果。特别是通过在早期采样步骤中使用 SDE 和在后期采样步骤中使用 ODE 的组合调度，解决了使用两个单一采样器所引发的固有问题，从而提高了采样效率和质量。

Nov, 2023

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

通过几何观察每条采样轨迹几乎位于嵌入环境空间中的二维子空间中，我们提出了一种名为 AMED-Solver 的近似均值方向求解器，通过直接学习均值方向来消除截断误差进行快速扩散采样，并且可以作为插件进一步改进现有的基于 ODE 的采样器。

Nov, 2023

提出了一种简单的蒸馏方法，通过优化 ODE 求解器而不是训练去噪网络，来提高扩散模型的采样速度和图像质量。通过蒸馏过程，D-ODE 求解器在生成样本时优于其他 ODE 求解器。

Sep, 2023