本文探讨了通过采用对角线和全方差提高 DPM 模型的表现力，同时基于函数噪声的条件期望估计提出了一种最优协方差和其校正的方法，并通过两阶段训练过程进行了实现以提高效率。通过实验表明，我们的方法在可能性结果上优于各种协方差设计，并在少量时间步长上提高了样本质量。

Jun, 2022

提出了一种新的序列感知损失函数，以减小估计误差从而提高采样质量，并通过实验证明了该方法相比于传统损失函数在图像泛化质量方面的显著改进。

Dec, 2023

通过六个简单步骤清晰陈述，简化并阐明噪声扩散概率模型（DDPM）的构建及其工作原理。

Feb, 2024

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

利用新型的去噪扩散概率模型（DDPMs）引入创新的期望最大化（EM）框架进行聚类，通过优化学习聚类友好的潜在表示，有效地提高了聚类、无监督条件生成和潜在表示学习的性能。

Dec, 2023

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

扩散概率模型（DPM）是生成模型中一种有前途的技术，在时间反转的马尔科夫扩散过程和得分匹配的基础上取得成功。然而，鉴于得分匹配可能存在问题，我们提出了一种新的设计 DPMs 的准则 —— 反向采样的压缩，从而构建了一类新型的压缩 DPMs（CDPMs）。该方法通过在反向过程中进行压缩，减小了得分匹配错误和离散化误差，使得 CDPMs 在错误源方面具有鲁棒性。理论结果和实验证实了我们的提议，值得注意的是，在 CIFAR-10 数据集上，压缩子变差保持（sub-VP）表现最好。

Jan, 2024

本文提出了基于去噪扩散概率模型的无线通信方案，旨在解决实际应用中的硬件损伤、信道失真和量化误差等非理想因素，提供低信噪比下的网络韧性、对不同硬件损伤水平和量化误差的近不变重建性能，以及抵抗非高斯噪声的强大分布外表现，并通过余弦相似度和均方误差（MSE）评估与传统深度神经网络（DNN）接收机相比的超过 25 dB 改进的重建性能。

Oct, 2023

本文提出 Analytic-DPM，一种基于 Monte Carlo 方法和预先训练好的基于 score 的模型的无需训练的推断框架，通过计算反向过程中每个时间步长的方差和 KL 散度的优化解的解析形式，从而改善不同 DPM 的 log-likelihood，并实现快速推理。

Jan, 2022

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