通过改变图像退化处理方法，可以构建一系列生成模型，并且即使使用完全确定性的退化方法，也可以轻松推广扩展扩散模型的训练和测试时间更新规则，为翻转任意过程的扩散模型打下基础，这一成功也质疑了该社区对扩散模型的理解。

Aug, 2022

本文介绍了一种新型的基于热扩散（或模糊）的生成建模扩散过程，它可以等效地通过具有非等向噪声的高斯扩 散过程来定义模糊，这一过程构成了一个推断性热反馈与去噪扩散之间的桥梁。最后，我们提出了一个广义的扩散模型类，它结 合了标准的高斯去噪扩散和推断热反馈的优点，称之为模糊扩散模型。

Sep, 2022

研究了离散状态下的Markov过程以及其反向扩散，提出了命名为 'Blackout Diffusion' 的新的方案，可以从空图像而不是噪声中产生样本，从特定前向过程到离散态过程的泛化可以帮助解释扩散模型。

May, 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

本文研究了扩散模型在零时刻附近的无穷Lipschitz性和该问题对模型稳定性和准确性的影响，提出了一种名为E-TSDM的新方法，该方法可以消除扩散模型附近零点处的Lipschitz奇异性，并实现了在高分辨率数据集（$256 imes256$）上的大幅提高性能。

Jun, 2023

本文提出了一种名为DDM的扩散模型，通过将复杂的扩散过程分解为两个相对简单的过程，来提高生成效果和速度，它通过显式转移概率近似图像分布，并通过标准维纳过程控制噪声路径；文章还提出了一个新的DPM训练目标，能够分别预测噪声和图像成分，同时，DDM的逆向去噪公式可以自然地支持少数的生成步骤（不需要基于ODE的加速器），实验结果表明，DDM在更少的函数评估方面优于以前的DPM。

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

通过研究Unet在去噪扩散概率模型中的动态行为，我们系统评估了时间步长和核心Unet组件对最终输出的影响，发现其中的生成阶段和Unet在推断中的使用模式，进而识别出改进DDPM中的冗余以提高推断速度，同时在输出质量方面几乎没有损失。我们的目标是为推断过程指导更明智的优化策略并影响新模型设计。

Dec, 2023

本文研究了扩散模型以及它们在数据分布为高斯分布时的数值实现，通过精确表达不同的Wasserstein误差，从而比较每种误差类型对任何采样方案的影响，直接在数据空间中监测收敛性，实验证明扩散模型文献中推荐的数值方案也是适用于高斯分布的最佳采样方案。

May, 2024

通过对高斯混合分布的详细研究，我们证明了扩散过程的光滑性质，并得出了与混合分布成分数无关的Lipschitz常数和二阶矩的严格上界。最后，我们将分析应用于各种扩散求解器，从而在目标分布和学习分布之间的总变异距离和KL散度方面建立具体的误差保证。

May, 2024