本文提出了一种称为最优线性子空间搜索（OLSS）的新方法，通过在潜在变量所张成的线性子空间中搜索完整生成过程的最优逼近过程来加速生成过程，并在开放源码的扩散模型上进行了广泛的比较性实验，实验结果表明，使用给定的步数，OLSS 可以显着提高所生成图片的质量。

May, 2023

本文提出了一种基于普通微分方程的线性扩散模型（LinDiff），其旨在实现快速推理和高采样质量，并通过基于补丁的处理方法来减少计算复杂性和实现嘈杂语音的有效全局建模，并使用对抗性训练进一步改善样本质量，并在 Mel - 声谱图上条件语音合成中进行测试，实验结果表明，即使只有一个扩散步骤，该模型也可以合成高质量的语音，而且在更快的合成速度下合成质量与自回归模型相媲美。

Jun, 2023

Hyper-SD is a novel framework that combines the advantages of ODE Trajectory Preservation and Reformulation, achieving state-of-the-art performance in multi-step inference with diffusion models.

Apr, 2024

运动扩散模型通过运动潜变量的一致性训练提高运动生成性能，使用概率流常微分方程表达扩散过程，引入量化约束优化运动潜变量表示，提出条件生成方法并节省大量时间成本，实验结果表明该模型具有最先进的性能和较低的时间成本。

May, 2024

我们提出了一种基于扩散的、可加速的框架，能够高效地预测代理的未来轨迹，具有对噪声的高抗干扰性，并满足自动驾驶车辆所需的严格实时操作标准。

May, 2024

利用潜在一致性模型（LCMs）解决迭代抽样过程在高分辨率图像合成中的计算负担和生成速度慢的问题，LCMs 通过直接预测导引反向扩散过程的 ODE 解决方案在潜空间中，实现了快速、高保真度的采样。

Oct, 2023

通过几何观察每条采样轨迹几乎位于嵌入环境空间中的二维子空间中，我们提出了一种名为 AMED-Solver 的近似均值方向求解器，通过直接学习均值方向来消除截断误差进行快速扩散采样，并且可以作为插件进一步改进现有的基于 ODE 的采样器。

Nov, 2023

我们提出了一种时间步齐器方法，用于改善扩散模型的图像生成质量和推理速度，通过在每个去噪步骤中替换原始参数化，将网络调整到准确的时间步骤上，从而提高各种最先进加速方法的性能。

Oct, 2023

扩散基于生成模型使用随机微分方程和其等效的常微分方程在复杂数据分布与可追踪的先验分布之间建立平滑连接。本文中，我们发现扩散模型的基于常微分方程的采样过程中存在着一些有趣的轨迹特性。我们表征了一个隐式去噪轨迹，并讨论了其在形成具有强形状规律性的耦合采样轨迹中的重要作用，无论生成的内容是什么。我们还描述了一种基于动态规划的方案，使得采样的时间安排更好地适应底层轨迹结构。这种简单的策略对于任何给定的基于常微分方程的数值求解器只需要最小的修改，并且在计算成本几乎可忽略的情况下，能够在图像生成中提供卓越的性能，特别是在 5 到 10 个函数评估中。

May, 2024

本文通过扩展动力学模型，利用扩散概率模型去掉了传统轨迹优化方法的瓶颈，将采样和计划步骤近乎完全融合，通过分类器和图像插值获得了在线规划策略，并在长期决策和测试时间灵活性强的控制环境中成功应用了该框架。

May, 2022