本文介绍了一种新的图像生成和似然估计方法 —— 扩展连续时间扩散模型到任意黎曼流形，提出了一种似然估计变分框架，并在黎曼流形上证明其等价性，证明了这种新方法在各个评测标准上得到了新的最先进的表现。
Aug, 2022
基于 Riemann 流形的扩散混合模型，通过以端点条件的扩散过程的混合来构建一种流形上的生成过程，取代以往扩散模型的去噪方法，更好地在高维度上表现，并在各种流形上优于现有的生成模型。
Oct, 2023
本文提出了一种名为 “Riemannian Diffusion Schrödinger Bridge” 的方法，用于加速采样和插值非欧几里得数据，通过推广扩展 Riemannian score-based 模型达到这个目的，并在合成数据和真实的地球和气候数据中进行了验证。
Jul, 2022
本研究提出两种方法来扩展扩散模型至通过不等式约束定义的流形，包括基于对数障碍度量的失真度量以及基于反射布朗运动的失真度量，在合成和真实任务中进行了实证表明，包括蛋白质骨架和机器人臂运动的约束构象模拟。
Apr, 2023
本文提出了一种名为 Manifold Diffusion Fields（MDF）的方法来学习定义在黎曼流形上的连续函数的生成模型，该方法利用了谱几何分析的见解，在流形上定义了一种内在坐标系统，MDF 使用由多个输入输出对形成的显式参数化来表示函数，该方法允许在流形上采样连续函数，并且对于流形的刚性和等距变换是不变的，实证结果表明，与之前的方法相比，MDF 可以更好地捕捉这些函数的分布，具有更好的多样性和保真度。
May, 2023
我们提出了一种在 Riemannian 流形上进行分布学习的替代方法，该方法只需要一次函数评估，然后将结果投影到流形上。通过在切空间中评估的迹来估计负对数似然的梯度，我们在各种流形上评估了我们的方法，并发现相比之前的工作，推断速度显著提高且具有竞争性的性能。我们在该网址上公开了我们的代码。
Dec, 2023
通过利用统计流形的曲率黎曼几何，我们提出了一种新的域自适应框架，该框架可以整合标记源域和未标记目标域之间的几何和统计差异，从而实现源到目标的转移。
Apr, 2018
在本研究中，我们处理了模拟潜在困难条件下的扩散过程，并构建了一种在子黎曼流形上进行桥梁模拟的方法，通过展示如何将机器学习的最新进展改进为在子黎曼流形上训练评分近似器。我们使用随机泰勒扩展将通常的去噪损失概念推广为与非完全陈闭性框架一起工作，并通过在海森伯格群上和使用适应坐标的一般方式演示了所得到的方案。我们进行了数值实验，演示了来自海森伯格群桥梁过程的样本以及对于短时间的该过程的集中度。
Apr, 2024
本文将扩展扩散模型的框架，将几何先验引入无限维建模，并通过构建噪声过程和近似得分实现对称性，展示了该模型适用于模拟扩散模型的任意对称性情景以及在复杂的合成场景和天气数据上的可扩展性和容量。
Jul, 2023
本研究通过设计独特的系数，首次理论证明了去噪扩散概率模型可以适应目标分布中未知的低维结构，凸显了系数设计的重要性。
May, 2024