对扩散方法在图生成方面的最新应用进行了全面综述，包括扩散概率模型、基于得分的生成模型和随机微分方程三种主要范式，指出了当前研究的一些局限性和未来的研究方向。
Jan, 2024
本文调查了图扩散模型的进展，特别关注了其在 AI 生成内容方面的应用，主要是分子、蛋白质和材料设计。我们也讨论了评估该模型在图领域的存在挑战问题。
Apr, 2023
这篇综述论文提供了关于生成式 AI 扩散和传统模型的全面概述，主要介绍了它们的基本技术、在不同领域的应用以及所面临的挑战，旨在为研究人员和从业者提供全面了解，并激发未来在这个令人兴奋的人工智能领域的创新。
Feb, 2024
本文概述了 “扩散模型” 在图像合成、视频生成、分子设计等领域中的应用，并将相关研究分为三大类：高效采样、改进似然估计和处理具有特殊结构的数据。此外，还探讨了将扩散模型与其他生成模型相结合以获得更好结果的潜能，在计算机视觉、自然语言生成、时态数据模型等领域具有广泛的应用。本文旨在提供一个全面的扩散模型综述，指出其重点研究领域并指向未来的研究方向。
Sep, 2022
本文介绍了扩散模型领域的现状，并提出了改进现有问题的技术，包括模型速度提升、数据结构多样化、可能性优化和维数减少等。此外，还介绍了扩散模型的应用，包括计算机视觉、序列建模、音频和科学人工智能。
扩散模型是强大且通用的生成式人工智能技术，在计算机视觉、音频、强化学习和计算生物学等领域取得了巨大的成功。本文回顾了扩散模型的新兴应用，理解了它们在各种控制下的样本生成。同时，我们概述了现有的扩散模型理论，涵盖了它们的统计性质和采样能力。进一步地，我们评述了通过条件扩散模型进行高维结构化优化的新途径，将解决方案的搜索重新定义为条件采样问题，并通过扩散模型进行求解。最后，我们讨论了扩散模型的未来发展方向。本文旨在为刺激前瞻性的扩散模型理论和方法提供全面的理论介绍。
Apr, 2024
我们的研究引入了 Graph Beta Diffusion（GBD），一种特别擅长捕捉多样化图结构的扩散生成模型。GBD 利用了适用于图邻接矩阵的稀疏和有界特征的 Beta 扩散过程，并开发了调制技术来增强生成图的现实感，同时在其他地方保持灵活性。GBD 在三个通用图基准和两个生物化学图基准中的出色性能突显了其有效捕捉现实世界图数据复杂性的能力。
Jun, 2024
本文综述了去噪扩散模型在生物信息学中的应用及其新的发展和应用潜力。
Feb, 2023
我们提出了一种基于子图扩散的新型图生成框架 SGDM，它不仅提高了图扩散模型的可扩展性和准确性，还通过逆过程执行了多种条件生成任务，包括去噪、扩展和样式迁移等。
Nov, 2023
提出了 GCDM 模型，该模型采用几何完整的消息传递图神经网络，在 DDPM 框架内宣称新的 3D 分子扩散生成的最新成果，并提供了与分子 DDPM 生成动态相关的物理归纳偏差的初步见解。