通过将分数模型集成到离散化信息中，本研究提出了一种提高偏微分方程下数据一致性的高效方法，将其应用于物理问题领域，并展示了分数模型在物理任务中的潜力和多样性，特别关注代理建模和稀疏测量的概率场重建和反演。

Dec, 2023

本文提出了一种方法，通过后续学习潜在约束来在不重新训练模型的情况下进行条件生成，并结合逼真的条件生成可生成逼真的有条件图像。同时，该方法使用了基于梯度的优化来演示保持恒等的变换，以最小调整潜在空间以修改图像属性的方法。最后，结合离散的音符序列进行零样本条件生成，无需标记数据或可微分奖励函数。

Nov, 2017

本文研究使用基于得分的扩散模型进行深层生成建模的方法，系统比较和理论分析不同方法学习条件概率分布的效果，并证明得出条件得分最成功的估计器的理论依据。同时，介绍了多速度扩散框架，提出了一个新的条件分数估计器，与之前的最先进方法相当。伴随着本文的理论和实验研究是一个开放源代码库 MSDiff，可用于应用和进一步研究多速度扩散模型。

Nov, 2021

本文介绍了 SURE-Score， 一种使用受加性高斯噪声污染的训练样本学习基于分数的生成模型的方法，演示了 SURE-Score 在学习先验知识和应用后验采样到压缩无线 MIMO 信道估计和加速 2D 多线圈磁共振成像重建等领域中的可广泛应用性。

May, 2023

我们提出了一个具有一步采样的基于分数的模型，通过训练一个独立的生成器，用从分数网络反向传播的梯度来压缩所有时间步骤，以产生对于生成器有意义的梯度，并使分数网络同时匹配真实数据分布和伪造数据分布，该模型具有采样快速、训练简单且免除了由一致性损失引起的不适定问题的优势，通过在 CIFAR-10 数据集上进行实验证明了该框架的潜力，并在 MINIST 和 LSUN 数据集上提供了更多示例。

Sep, 2023

该研究提出了一种使用分数梯度模型重构图像的方法，并使用连续时间依赖分数函数进行训练。该模型可用于解决成像的反问题，尤其是加速 MRI，具有强大的性能及实用性，并且可重构复杂值数据。

Oct, 2021

本文提出了一种基于随机微分方程的得分模型生成方法，通过缓慢注入噪声将复杂数据分布平滑地转换为已知的先验分布，并通过缓慢地消除噪声将先验分布转换回数据分布，同时利用基于神经网络的得分生成建模技术可以精确估计这些得分，并使用数值微分方程求解器生成样本。

Nov, 2020

我们提出了一个框架，使用条件分数扩散模型执行贝叶斯推理来解决机械学中涉及由加载的噪声测量推断出具有空间变化的材料属性的一类反问题。

Jun, 2024

通过新的理论分析，提出了 score-based generative models 在高维空间中的学习和采样方法，并提出了维护模型权重的指数移动平均方法，从而在多个数据集上将生成对抗网络（GANs）的生成样本的质量与分辨率都超过了，如 CelebA、FFHQ 和多个 LSUN 领域的图像数据集。

Jun, 2020

最近，条件评分驱动扩散模型在监督式语音增强领域引起了显著关注，取得了最先进的性能。然而，这些方法在泛化到未见条件时可能面临挑战。为了解决这个问题，我们引入了一种在无监督方式下操作、利用扩散模型的生成能力的替代方法。具体而言，训练阶段，在短时傅里叶变换（STFT）领域中使用评分驱动扩散模型学习了干净语音的先验分布，使其能够从高斯噪声中无条件地生成干净语音。然后，我们开发了一种通过将学习的干净语音先验与噪声模型结合起来进行语音增强的后验采样方法。噪声参数通过迭代的期望最大化（EM）方法与干净语音估计同时学习。据我们所知，这是第一个探索基于扩散的生成模型用于无监督语音增强的工作，与最近的变分自编码器（VAE）无监督方法和最先进的基于扩散的监督方法相比，取得了有希望的结果。因此，它为未来的无监督语音增强研究开辟了新的方向。

Sep, 2023