Delta Denoising Score 是一种针对基于文本的图像编辑的新的评分函数，使用在最小修改输入图像为所需内容的过程中，利用文本生成模型的生成先验，通过 SDS 机制作为图像编辑的损失项，使用 DDS 去识别和去除 SDS 的误差方向，从而在文本的指导下实现图像到图像的翻译和零样本的图像翻译。

Apr, 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

通过修改 DDIM，我们的方法在 3D 生成中消除了过度平滑，保留了高频细节，并使生成质量接近于 2D 采样器，从而取得了与其他先进的分数蒸馏方法相当或更好的 3D 生成质量，而无需训练额外的神经网络或多视图监督，并为扩散模型中 2D 和 3D 资源生成之间的关系提供有用的见解。

May, 2024

在多样化的视觉模态中，利用大规模文本生成模型进行生成和编辑应用时，跨多图像实现一致性是具有挑战性的，本文提出了一种基于 CSD 的新方法，该方法利用 SVGD 将多个样本视为 “粒子” 进行更新，并组合它们的评分函数以同步地蒸馏一组图像的生成先验，从而促进了 2D 图像信息的无缝集成，展示了 CSD 方法在全景图像、视频和 3D 场景等任务中的有效性，具有提高交叉样本一致性的实用性。

Jul, 2023

本研究针对生成扩散模型，发现攻击点在于编码器模块，并提出了 Score Distillation Sampling (SDS) 策略来保护图像并减少内存占用，同时通过最小化语义损失生成更自然的扰动，希望能够为恶意扩散模仿的防御做出贡献。

Oct, 2023

Text-to-3D content creation research proposes novel methods such as LucidDreamer, Interval Score Matching, and Exact Score Matching to overcome limitations in high-fidelity generation, reconstruction errors, and loss of content in 3D models.

May, 2024

通过提高输入与输出的互信息，利用条件离散对比扩散 (CDCD) 损失和两种对比扩散机制，将对比学习和传统变分目标相结合，我们成功地提高了多模式条件综合生成模型的输入输出对应性并取得了良好的结果。

Jun, 2022

通过 DDIM 生成过程的类似 SDS 损失的表达方式，本论文发现 SDS 可以看作是一种广义的 DDIM 生成过程，结合创新的噪声抽样方法和流分数蒸馏（FSD）方法，实验证明 FSD 方法显著增强了生成的多样性而不损害质量。

May, 2024

该论文提出了一种名为 DSD 的创新方法，它利用预训练的 text-to-image 扩散模型进行少样本判别性学习，并使用交叉注意力分数捕捉视觉和文本信息之间的相互影响，并通过基于注意力的提示学习对模型进行微调，实现图文匹配，并在几个基准数据集上展示利用预训练扩散模型在少样本图文匹配上具有非凡的结果。

May, 2023

使用 Transition-aware weighted Denoising Score Matching（TDSM）训练带有噪声标签的条件扩散模型，其中 TDSM 目标函数包含得分网络的加权和，并整合了实例级和时间相关的标签转移概率。通过在各种数据集和噪声标签设置上进行实验证明，TDSM 可以提高与给定条件相匹配的生成样本的质量，甚至在常见基准数据集上也能提高生成性能，从而证明了噪声标签对于生成模型学习的潜在风险以及 TDSM 在传统噪声标签修正的基础上进一步提高性能的实证贡献。

Feb, 2024