通过引入 GSD 框架，将三维一致性和几何意识融入 SDS 过程，该方法显著提高了性能，在文本到三维生成任务中成功解决了几何不一致性问题，并与现有的基于分值蒸馏的模型兼容。

Jun, 2024

通过最优成本传输路径的观点，我们提出了一种新的方法，通过校准源分布的文本条件，可以在许多领域中产生高质量的生成和翻译结果，并击败专用方法的性能。

Jun, 2024

通过方差约减的视角，本文揭示了分数蒸馏中的梯度估计与高方差之间的内在关系，并提出使用 Stein's identity 进行变量约减的方法，称为 Stein Score Distillation (SSD)。通过构建由 Stein identity 构造的控制变量，SSD 可以灵活地引入指导先验和网络结构以明确优化方差约减，实验结果表明 SSD 可以有效地减少蒸馏方差，提高生成视觉质量。同时，我们证明了由于更稳定的梯度更新，SteinDreamer 相比现有方法更快地收敛。

Dec, 2023

Score Distillation Sampling 方法使用图像扩散模型解决优化问题，我们分析了其损失函数并提出有效修复方案，通过定量和定性实验验证了新的损失公式的多样性和有效性。

Jan, 2024

本文提出了一种新的面向文本到三维立体生成的方法，即基于随机变量的粒子变分打分抽样，通过此方法在保证样本质量和多样性的同时避免了过饱和、过平滑和低多样性等问题，并在 NeRF 算法基础上生成了高保真渲染效果的三维网格。

May, 2023

通过对分类器无关指导在分数蒸馏中的作用进行重新评估，我们发现了一个令人惊讶的发现：仅仅用指导就足够进行有效的文本到 3D 生成任务。我们称之为分类器分数蒸馏（CSD）方法，它可以理解为使用隐式分类模型进行生成。这种新视角揭示了对现有技术的新见解。我们在形状生成、纹理合成和形状编辑等各种文本到 3D 任务中验证了 CSD 的有效性，取得了优于现有方法的结果。

Oct, 2023

通过对 Score Distillation Sampling（SDS）进行解释，我们揭示了其作为三个功能组成部分 —— 模式分离、模式寻找和方差降低的组合，并分析了每个组成部分的特性。在此基础上，我们提出了一种名为稳定评分蒸馏（SSD）的简单而有效的方法，有效地协调每个组成部分，实现高质量的 3D 内容生成。大量实验证实了我们方法的有效性，即使在最具挑战性的 NeRF 表示下，也能生成高保真度的 3D 内容而不会出现过度平滑和过度饱和等问题。

Dec, 2023

使用混合得分蒸馏取样的方法，我们展示了具有引人注目外观、3D 结构和动态的 4D 场景的合成。

Nov, 2023

现有的分数蒸馏方法对于分类器无关指导（CFG）的尺度非常敏感，表现为小的 CFG 尺度上的过度平滑或不稳定，而在大的尺度上过饱和。本文提出了对抗性分数蒸馏 (ASD) 方法，它使用可优化的鉴别器并使用完整的优化目标进行更新。实验证明，所提出的 ASD 在 2D 蒸馏和文本到 3D 任务中表现优异，并将 ASD 扩展到图像编辑任务，获得有竞争力的结果。

Dec, 2023

通过基于梯度流解释的评分蒸馏，引入斥力评分蒸馏 (RSD) 变分框架，以促进多样性和质量的平衡，对无限制和有约束的采样场景进行了设计和实验证明 RSD 在多样性和质量之间取得了卓越的平衡。

Jun, 2024