通过对 DDPM 模型进行简单修改，可以在保持高质量样本的同时达到具有竞争力的对数似然值，并学习反向扩散过程的方差，从而使用数量级更少的正向传递采样。使用精度和召回率比较 DDPM 和 GAN 模型的性能，并证明这些模型的样本质量和似然值可以与模型容量和训练计算平稳地提高。

Feb, 2021

本文提出利用去噪技术提升分类器性能的方法，通过在正向扩散过程中（从数据到噪音）训练分类器并引入去噪样本，与传统单纯训练噪声样本的扩散分类器相比，达到了更好的泛化性能和视觉效果，并描述了一种半监督框架的基于扩散模型的训练方法及实验结果。

Jun, 2023

通过在模型训练过程中加入约束条件使其生成的样本更符合所施加的约束，从而提高生成样本与约束的一致性，且相较于现有方法有更好的性能且不影响推断速度；该方法还可以自然地防止过拟合。

Mar, 2024

本文提出了一种基于 Gamma 噪声的去噪扩散 Gamma 模型（DDGM），并通过图像和语音生成任务验证了其性能优于传统的基于高斯噪声的扩散模型。

Oct, 2021

通过在扩散模型中引入两个辨别器（扩散辨别器和频谱图辨别器），我们提出了一种音频合成模型，其在各项评估指标中均优于 FastSpeech2 和 DiffGAN-TTS，并通过结构相似性指数、梅尔倒谱失真、F0 均方根误差、短时客观可懂性、语音质量感知评估和主观平均意见得分等客观和主观度量对该模型进行了评估。

Aug, 2023

连续条件生成建模（CCGM）是一种基于标量连续变量（称为回归标签）的高维数据（通常为图像）的分布估计方法。现有的条件扩散模型（CDMs）在应用于 CCGM 任务时面临着多种挑战，本文介绍了第一种专为 CCGM 任务设计的连续条件扩散模型（CCDMs），通过引入特别设计的条件扩散过程、修改的去噪 U-Net 与自定义的条件机制、新型的硬邻近损失以及高效的条件采样过程，CCDMs 克服了现有 CDMs 的限制，基于四个不同分辨率（从 64x64 到 192x192）的数据集进行的全面实验证明了 CCDMs 相对于最先进的 CCGM 模型的优越性，建立了 CCGM 领域的新基准。广泛的消融研究验证了提出的 CCDM 的模型设计和实施配置。我们的代码公开在此 https URL。

May, 2024

通过使用随机上下文模型（SCMs）产生训练数据，首次对 Denoising Diffusion Probabilistic Models（DDPMs）在医学成像领域相关信息学习能力进行了系统评估，结果表明 DDPMs 在生成具有空间上下文的图像方面具有显著的能力，可能在数据增强任务中具有 GANs 所不能达到的优势。

Sep, 2023

通过将信息理论中的信息与最小均方误差回归相联系，我们引入了扰动扩散模型的新数学基础，并将现有的扩散界限进行了优化，从而使得连续和离散概率可以通过相同的回归目标来学习，从而避免了变分方法中使用的特定领域的生成模型。

Feb, 2023

本文提出了一种名为 RGDM 的模型，通过强化学习（RL）引导扩散模型的训练阶段，从而实现对样本生成的控制。在 3D 形状和分子生成任务上的实验表明，该模型相较于现有的条件扩散模型具有显著的改进。

Apr, 2023

本文提出了离散去噪扩散概率模型（D3PM），用于离散数据的扩散式生成模型，包括了仿真高斯核、嵌入空间中基于最邻近、引入吸收状态等过渡矩阵。研究表明过渡矩阵的选择对图像和文本领域下的生成模型结果至关重要，且提出的新损失函数在字符级别文本生成上取得了很好的效果。

Jul, 2021