Christopher Scarvelis, Haitz Sáez de Ocáriz Borde, Justin Solomon
TL;DR通过对闭式评分函数进行平滑处理，我们提出了一种无须训练即可生成新样本的 SGM 模型，并提出了一种高效的基于最近邻的评分函数估计器，使得我们的方法在使用消费级 CPU 运行时具有与神经 SGMs 相竞争的采样速度。
Abstract
score-based generative models (SGMs) sample from a target distribution by
iteratively transforming noise using the score function of the perturbed
target. For any finite training set, this score function can be evaluated in
closed form, but the resulting SGM memorizes its training data
通过线性逼近和本地特征向量生成的子空间，调查经过训练的评分模型 (linear approximations and subspaces spanned by local feature vectors)，通过低维流形上支持的数据分布支持的得分模型 (score-based generative models) 学习数据分布是如何学习的。