本文介绍了 DiGress，一种用于生成具有分类节点和边缘属性的图形的离散去噪扩散模型。通过逐步添加或删除边缘和更改类别的过程，我们的模型利用离散扩散过程逐步编辑具有噪声的图形。同时，我们还提出了一种控制生成过程的图级特征的程序，并使用了马尔可夫噪声模型和辅助图理论特征，进一步提高了样本质量。DiGress 在分子和非分子数据集上取得了最先进的性能，在平面图数据集上有效性提高了 3 倍。此外，该模型是首个能够不使用分子特定表示就能扩展到包含 130 万药物分子的大型 GuacaMol 数据集的模型。

Sep, 2022

本文介绍了 GRASP 模型，这是一种基于图拉普拉斯矩阵的频谱分解和扩散过程的新颖的图生成模型。我们使用去噪模型从图上采样特征向量和特征值，通过它们可以重构图拉普拉斯矩阵和邻接矩阵。该模型能够处理节点特征，并利用拉普拉斯谱自然地捕捉图的结构特性，在避免其他方法的二次复杂度限制的同时，直接在节点空间中进行操作。我们的实验结果表明，通过截断谱，我们的模型能够更快速而准确地进行生成过程，相对于其他现有方法具有较强的优势。

Feb, 2024

该论文提出了一种基于图谱扩散的高效而有效的 Graph Spectral Diffusion Model （GSDM），相较于基于整个图邻接矩阵空间的扩散模型，该模型能够更好地学习生成拓扑结构更好的图数据，而实验结果表明该模型不仅可以生成质量更高、而且计算消耗也更小。

Nov, 2022

SparseDiff 是一种能够在图生成过程中利用稀疏性的去噪扩散模型，它能有效处理边列表表示的图，在保证生成性能的同时提高可伸缩性。

Nov, 2023

本文提出了一种名为 EDGE 的新型扩散生成图模型，通过在每个时间步骤随机删除边并最终获得空图的离散扩散过程，鼓励图结构的稀疏性，使其更有效率地生成包含上千节点的大型图，并明确将图中节点度数建模，与基线模型相比，生成的图像质量更高，具有更相似的图统计特征。

May, 2023

本论文总结了扩散模型在图像生成方面的成功，并介绍了扩散模型在图生成方面的应用，特别是从分子和蛋白质建模方面进行了重点讨论，并讨论了扩散模型在图结构数据中的新方向。

Feb, 2023

本文提出了对 EDGE 模型的改进，包括引入了一个特定度数的噪声计划，优化了每个时间步骤的活跃节点数量，显著减少了内存消耗，并提出了一个改进的采样方案，通过微调生成过程来更好地控制合成网络和真实网络之间的相似度，实验结果表明，这些改进不仅提高了生成图的效率，还增强了其准确性，为图生成任务提供了强大且可扩展的解决方案。

Oct, 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

本文介绍了一项新的生成任务：联合场景图像生成。通过引入 DiffuseSG 模型，本文探索了生成逼真的场景图，使得图像生成具备高效和可解释性的控制能力，并展示了该模型在场景图生成以及相关应用中的优越性。

Jan, 2024

本文提出了一种基于多模式条件 GAN，使其具有高样本质量、高模式覆盖和快速采样三个特性的去噪扩散生成对抗网络，同时在 CIFAR-10 数据集上比原扩散模型快 2000 倍，并且是第一种将采样成本降至足够低以便于应用于实际应用的模型。

Dec, 2021