提出基于一致性约束的得分匹配方法，实验结果表明得到了CIFAR-10中条件和无条件生成的最新成果和AFHQ以及FFHQ的基准改进。

Feb, 2023

本研究评估扩散模型的连续学习特性，通过给Denoising Diffusion Probabilistic Models （DDPMs）应用经验重放，发现一定程度的遗忘可以被减少，但在扩散步数上，其表现多种多样。同时揭示使用bits-per-dimension指标评估CL时的某些问题。

Mar, 2023

该研究提出了反射扩散模型用于处理复杂任务中分数扩散模型中的数值误差，通过学习扰动得分函数，并扩展标准扩散模型的关键组成部分，包括扩散指导、基于似然的训练和ODE采样来从数据支持的反射随机微分方程开始进行反演。

Apr, 2023

提出了一种名为Patch Diffusion的通用Patch-wise训练框架，其核心创新是新的条件分数函数，它在原始图像的Patch级别包括Patch位置作为附加坐标通道，并且通过训练在多个尺度上对Patch大小进行随机和多样化，从而达到显著减少训练时间成本同时提高数据效率以帮助更广泛的用户学习扩散模型。

Apr, 2023

通过检测斑点扩散噪音调度方案，研究发现某些实现方式的差异在训练和推理中会导致模型输出失真，提出了改进措施，包括：规范化噪声调度方案、加入v预测、更改采样器以从最后一个时间步开始采样、对无分类器的指导进行缩放，使扩散过程在训练和推理中保持一致，从而更忠实地生成样本。

May, 2023

介绍了一种基于扩散的框架，可以使用高度损坏的样本学习未知分布，通过在扩散过程中引入附加的测量损坏，并要求模型从进一步损坏的图像中预测原始损坏的图像，来学习完整未损坏图像的条件期望。

May, 2023

扩散模型中的错误传播问题及其解决方法的实验和理论验证，提出了一种一致性正则化方案来降低前向和后向过程之间的分布差异，并引入了引导算法来降低计算成本。在多个图像数据集上的实验结果表明，该正则化策略有效地处理了错误传播问题，并显著提高了传统扩散模型的性能。

Aug, 2023

扩散模型在图像生成、解决逆问题和文本到图像合成等各种应用中展示了领先的性能。我们揭示了与大多数其他生成模型截然不同的“一致模型可重现性”现象，通过广泛的实验表明，扩散模型在相同初始噪声输入和确定性求解器采样时，倾向于产生几乎相同的输出内容。此模型可重现性在不同的训练环境下均成立，包括记忆化和泛化模式。进一步的分析提供了对“记忆化模式”中模型可重现性的理论解释，并揭示此有价值的特性适用于许多扩散模型的变种。更深入理解此现象有可能产生基于扩散模型的更可解释和可控的数据生成过程。

Oct, 2023

一步采样的连贯性模型在训练阶段中具有良好的实证效果，通过训练一系列连贯性函数，能够将扩散过程的任何时间步骤的任意点映射到其起始点，其理论基础表明，为了生成与目标分布在ε接近程度内的样本，连贯性学习的步骤数应超过d^5/2/ε，其中d为数据维度，这一理论为连贯性模型的有效性和实用性提供了深入洞察，从而启示其在下游推理任务中的实用性。

Feb, 2024

扩散模型在近年来引起了广泛关注，然而其高计算成本限制了实际应用，本文通过研究发现了扩散模型的稳定性，并提出了两种训练加速策略，即课程学习的时间步骤调度和动量衰减策略。实验结果表明，这些策略可以显著减少训练时间并提高生成图像的质量。

Mar, 2024