本文提出了两种改进 Denosing Score Matching with Annealed Langevin Sampling（DSM-ALS）的技术：1）一致退火采样，作为比退火采样更稳定的替代方案，2）混合训练，由去噪分数匹配和对抗目标组成。通过这两种技术的结合，本文得到了与 CIFAR-10 图像生成的最新成果相当的结果。

Sep, 2020

通过 Denoising Likelihood Score Matching（DLSM）损失函数的训练，我们可以解决已有条件分数数据生成方法中分类器训练目标会导致分数不匹配的问题，从而更准确地建模条件分数并缓解这个问题。在 Cifar-10 和 Cifar-100 基准测试中，实验结果表明提议的方法在多个关键评估指标上优于以前的方法。

Mar, 2022

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

本文提出一种利用多尺度去噪得分匹配的能量模型 (Energy-Based Model, EBM)，并利用多噪声级别的数据进行训练。该模型在高维数据的样本合成和密度估计方面取得了与 GAN 相当的性能，并在图像修复任务中表现良好。

Oct, 2019

通过分析神经网络的数学框架和得分匹配与回归分析之间的创新连接，本文提出了第一次得分函数学习的一般化误差（样本复杂性）边界，从而克服了观测值中存在噪声的问题。

Jan, 2024

我们提出了一种新颖的视频异常检测方法：将从视频中提取的特征向量视为固定分布的随机变量的实现，并用神经网络对该分布进行建模，以便估计测试视频的可能性并通过阈值法检测视频异常。我们使用一种改进的去噪得分匹配方法来训练视频异常检测器，该方法通过向训练数据注入噪声来便于模型其分布。为了消除超参数选择，我们对不同噪声水平下的噪声视频特征的分布进行建模，并引入一种倾向于使不同噪声水平的模型保持一致的正则化器。在测试时，我们使用高斯混合模型将多个噪声尺度下的异常指示组合起来。我们的视频异常检测器运行时延最小，因为推理仅需要提取特征并将其通过浅层神经网络和高斯混合模型进行前向传播。我们对五个常用视频异常检测基准进行的实验表明，在面向对象和面向帧的设置下，我们的方法表现卓越。

Mar, 2024

本文通过导出一个变分框架来推导连续时间生成扩散理论，并表明该理论中最小化匹配得分损失等价于最大化该理论内所提出的可逆 SDE 插件的似然度的下限。

Jun, 2021

本文介绍了一种新的生成模型，利用评分匹配来估计数据分布的梯度，通过 Langevin 动力学生成样本。我们的框架使得模型架构更加灵活，无需在训练期间进行抽样或使用对抗性方法，提供了可用于基于原则的模型比较的学习目标。在 MNIST、CelebA 和 CIFAR-10 数据集上，我们的模型产生的样本与 GAN 相当，实现了 CIFAR-10 inception 得分的新的最先进水平为 8.87。此外，我们通过图像修补实验证明了我们的模型学习到了有效的表示。

Jul, 2019

使用 Transition-aware weighted Denoising Score Matching（TDSM）训练带有噪声标签的条件扩散模型，其中 TDSM 目标函数包含得分网络的加权和，并整合了实例级和时间相关的标签转移概率。通过在各种数据集和噪声标签设置上进行实验证明，TDSM 可以提高与给定条件相匹配的生成样本的质量，甚至在常见基准数据集上也能提高生成性能，从而证明了噪声标签对于生成模型学习的潜在风险以及 TDSM 在传统噪声标签修正的基础上进一步提高性能的实证贡献。

Feb, 2024

使用 Langevin 动力学的得分匹配（SMLD）方法已成功应用于加速 MRI。本研究提出一种新的工作流，将 SMLD 结果作为额外的先验来指导模型驱动的网络训练，通过引入预训练的网络和去噪模块，有效改善 PGI 的质量，并设计一个模型驱动的网络，在低质量的 PGI 中提取有价值的信息来指导网络训练，以减轻幻觉伪影，获得稳定和高质量的重建结果。

May, 2024