通过明确的前向 - 后向桥接对扩散模型进行条件化
本文介绍了基于去噪扩散模型的生成模型，提出了基于 Schrödinger bridge 的生成建模方法来缩短生成时间，并将其扩展到条件模拟中，用于各种应用，包括图像超分辨率、状态空间模型的最优滤波和预训练网络的优化。
Feb, 2022
扩散模型在图像重建中表现出优异的性能，提出了一种基于贝叶斯条件技术的扩散模型，通过条件得分函数来解决图像重建中出现的挑战性逆问题，并在图像去混叠、去模糊、超分辨率和修复中展现出最新技术的性能。
Jun, 2024
通过将高斯噪声逐渐应用于复杂的数据分布，构建了一个确定性的生成模型，对应于具有时间不均匀漂移的倒退随机微分方程，用基于分数匹配的方法估计漂移。本文提出了 Diffusion SB 方法来处理 Schrödinger Bridge 问题，近似了迭代比例拟合过程，DSB 具有广泛的适用性，是流形上 Sinkhorn 算法的连续状态空间概率化推广。
Jun, 2021
该论文探讨了在先验概率和一个基于 $x$ 和 $y$ 的不等式约束条件下利用高维数据推断潜在结果。通过使用一个独立训练的去噪扩散生成模型和不同的不等式约束，该方法能应用于各种不同领域的任务，例如条件生成、图像分割以及求解组合优化问题等。
Jun, 2022
从稀疏观测数据中学习动力系统是许多领域（包括生物学、金融学和物理学）的一个关键问题。这篇论文介绍了一种将条件粒子滤波与祖先采样和扩散模型相结合的方法，能够生成与观测数据相符合的逼真轨迹。该方法基于迭代条件粒子滤波与祖先采样生成匹配观测边缘概率的合理轨迹，并学习相应的扩散模型。该方法既为复杂约束下高质量、平滑的轨迹提供了一种生成方法，又有效近似了粒子平滑分布在经典跟踪问题中。我们在时间序列生成和插值任务上展示了该方法，包括车辆追踪和单细胞 RNA 测序数据。
Jun, 2024
通过在潜空间中利用 Schr {"o} dinger bridge 扩散模型构建新的生成学习方法，本文对当前扩散模型进行了全面的理论分析，包括利用预训练的编码器 - 解码器架构和 Schr {"o} dinger bridge 框架开发了潜空间中的扩散模型，通过控制生成分布和目标分布之间的二阶 Wasserstein 距离，获得了收敛速率，从而为现有的扩散模型提供了稳健的理论支持。
Apr, 2024
该研究介绍了一种新的方法，用于从高维实值概率分布中生成独立同分布的新合成样本，该分布由一组地面真实样本隐含定义。该方法的核心是通过跨时空维度的空间 - 时间混合策略来整合，以实现从易于处理的初始概率分布到由地面真实样本表示的目标分布的最佳传输。通过数值实验验证了该空间 - 时间扩散方法的有效性，并为更广泛的未来理论和实验奠定了基础，以完全验证该方法，特别是提供更高效（可能是无需模拟的）推断。
Feb, 2024
本文提出了一种基于去噪扩散概率模型的条件生成模型，通过把一个已知的、可求导的正向模型集成到去噪过程中，实现了间接观测信号的采样， 并在三项具有挑战性的计算机视觉任务中进行了验证。
Jun, 2023
本文提出了一种基于反向时间表示的扩散桥模拟方法，通过变分公式学习时空逆转实现扩散桥的模拟，并通过评分匹配方法克服其不可计算性，提出了一种近似 Doob's h - 变换法的方法，实验结果表明了此方法的有效性。
Nov, 2021