本文介绍和研究了一类概率生成模型，其中潜在对象是有限时间间隔上的有限维扩散过程，观察变量是在扩散的终端点条件下绘制的。 通过随机控制的视角，我们为这种生成模型的采样和变分推断提供了统一的观点，并量化了基于扩散的生成模型的表现力。我们最后提出并分析了一个无偏模拟的方案，并提供了结果估计值的方差上限。这个方案可以实现为深度生成模型并具有随机层数。

Mar, 2019

通过引入一种新的，临界阻尼Langevin扩散，该文提出一种基于分数的生成模型框架，它可以更轻松地学习条件分布的速度得分函数，这比直接学习数据分数函数要容易得多，并用于高分辨率图像合成任务。

Dec, 2021

本文提出了一种基于矩阵预调和扩散采样的方法，可加速得分为基础的生成模型（SGMs）的推断，特别在更具挑战性的高分辨率图像生成时，其速度可提高29倍，而不影响合成质量。

Jul, 2022

本文提出了一种新颖的扩散映射粒子系统（DMPS）用于生成建模，基于扩散映射和拉普拉斯调整的Wasserstein梯度下降(LAWGD)，采用扩散映射来近似Langevin扩散过程的生成器从而学习潜在的数据生成流形，而LAWGD可通过合适的内核实现从目标分布进行高效采样。数值实验证明了我们方法在合成数据集上的优越性，包括具有流形结构的示例。

Apr, 2023

该研究发展了一套用于理解离散时间下扩散模型数据生成过程的非渐进理论，对于一种常见的确定性采样方法，该理论建立了一个与步骤总数$T$成反比例的收敛速率，对于另一种主流随机采样方法，该理论得出了一个与步骤总数$T$的平方根成反比例的收敛速率，同时设计了两种加速变体，进一步提高了收敛速度。

Jun, 2023

该论文通过扩散过程进行生成模型，通过选择适当的扩散桥混合，构造了以所需数据分布为目标的扩散过程，并且通过新的训练目标，可以通过神经网络进行逼近。

Dec, 2023

该研究探讨了Langevin动力学在多模态分布中生成样本的能力以及它的模式寻找特性，提出了一种改进方法——Chained Langevin Dynamics，以减少其模式寻找的倾向，并通过理论分析和数值实验验证了其有效性。

Jun, 2024

本研究解决了在生成扩散模型中条件采样的关键问题，尤其是如何从条件分布中进行采样。文章提出了一种全面的计算方法综述，强调通过利用联合分布或依赖（预训练的）边际分布以显式似然构建条件生成采样器。这种新方法对于扩展生成扩散模型在贝叶斯逆问题中的应用潜力巨大。

Sep, 2024

本研究解决了高维空间中使用生成模型进行后验采样的多样性不足问题。通过在预训练生成模型的噪声空间中模拟Langevin动态，我们提出了一种高效的后验采样方法，显著降低了计算开销。实验证明，该方法在图像修复任务上能生成高保真度的样本，表现出更好的效率和性能。

Oct, 2024

本研究针对扩散生成模型在数据生成中的设计自由度不足的问题，提出了一个统一的框架，允许在多种表示方式、先验分布和噪声调度方面实现灵活选择。新方法特别引入了软条件模型，有助于将传统扩散模型与自回归模型平滑衔接，从而提高了训练效率和数据生成的潜力。

Oct, 2024