介绍了一种新的框架 ——“定制 ODE 求解器”，用于构建针对预训练流模型的自定义 ODE 求解器，优化了顺序一致和参数高效的求解器，并在逼近质量和生成质量方面与专用求解器相比显著提高。

Oct, 2023

通过连接种植扩散模型（DMs）的随机微分方程（SDEs），本文旨在理解和增强贝叶斯流网络（BFNs），从而迭代地通过贝叶斯推理改进各种噪声水平下分布的参数。通过这些发现并结合 DMs 中快速采样的现有方法，我们为 BFNs 提出了一种专用求解器，在图像和文本数据集上用有限数量的函数评估（例如 10 次）大大超过了原始 BFN 采样器的样本质量。其中，我们最优采样器的速度提高了 5 到 20 倍，且免费提供代码。

Apr, 2024

基于图的扩散模型在解决 NP 完全问题的组合优化中展现了有希望的结果。然而，由于去噪扩散过程的迭代评估特性，这些模型通常在推理时效率低下。本文提出使用渐进蒸馏来加速推理过程，通过在去噪过程中只进行少量步骤的预测（例如，在单个步骤中预测未来两步）。我们的实验结果表明，经过渐进蒸馏的模型在 TSP-50 数据集上仅仅损失 0.019% 的性能，而推理速度却提高了 16 倍。

Aug, 2023

提出了一种简单的蒸馏方法，通过优化 ODE 求解器而不是训练去噪网络，来提高扩散模型的采样速度和图像质量。通过蒸馏过程，D-ODE 求解器在生成样本时优于其他 ODE 求解器。

Sep, 2023

本文提出了一种高度可扩展的策略，用于从现有的科学计算中的数值离散化来开发免网格神经符号偏微分方程求解器。该策略可用于有效地训练神经网络代理模型，以保留最先进数值求解器的精度和收敛特性，基于在一组随机配置点上使离散化的微分系统残差最小化来进行神经启动。

Oct, 2022

该研究提出了一种新的改进方法，通过最小化高保真图像生成中的采样误差，建立了一种针对传播概率模型的新的快速 ODE 求解器 DPM-Solver-v3，并通过引入一些在预训练模型上高效计算的系数，提高了样本质量。

Oct, 2023

该研究通过对扩散概率模型中的随机采样进行综合分析，从方差控制的扩散 SDE 和线性多步 SDE 求解器两个方面提出了改进的高效随机 Adams 方法 SA-Solver，用于生成高质量的数据，在少量函数评估次数下取得改进或可比性能，并在适当的函数评估次数下在大规模基准数据集上获得 SOTA FID 分数。

Sep, 2023

通过研究和扩展神经 PDE 求解器，本文探讨了将模拟应用于两相流问题和孔隙中的油排出模拟方面的方法。我们在基线方法的基础上引入了空间条件、边界周期性和近似质量守恒等特征，并对其进行了量化评估和削弱研究，发现这些方法可以准确地模拟油滴动力学，且速度提升高达三个数量级，同时引入的不同几何形状构成了一个更具挑战性的设置。

May, 2024

为解决物理机器学习中的数据稀缺性问题，我们提出了一种新的物理模拟数据生成方法，利用扩散模型生成合成数据样本，并通过两种情况下的比较检验生成数据样本的准确性和符合物理法则的一致性，从而使它们能够有效地用于下游任务。

Jun, 2023

通过有效控制扩散模型回流过程中的随机性来提高预训练图像超分辨率模型的采样质量，在边界条件的选择上，我们通过对整个空间的高效探索来获取近似最优边界条件，并且通过我们的方法进行的采样结果质量要优于现有方法的随机结果。

May, 2023