通过深度生成模型，特别是深度扩散模型，来合成 DNA 序列在合成生物学领域开辟了新的前景。我们提出了一种新颖的潜在扩散模型 (DiscDiff)，通过将离散 DNA 序列嵌入连续的潜在空间，使用自编码器来利用连续扩散模型强大的生成能力生成离散数据。此外，我们引入了一种新的度量标准 Frechet Reconstruction Distance (FReD)，用于衡量 DNA 序列生成结果的样本质量。我们的 DiscDiff 模型能够生成与真实 DNA 序列在 Motif 分布、潜在嵌入分布 (FReD) 和染色质剖面方面紧密相符的合成 DNA 序列。此外，我们还贡献了一个包含 15 个物种的 15 万个唯一启动子 - 基因序列的全面跨物种数据集，为未来基因组学中的生成建模工作提供丰富的资源。我们将在发表后公开我们的代码。

Oct, 2023

本文探讨了如何在 Denoising Diffusion Models 的 latent space 中嵌入图像，实现对噪声图像的去噪，并发现了该类生成模型中 latent representation 独立于反扩散过程网络实现的网络结构。

Dec, 2022

我们介绍了一个新的生成模型，它将潜在扩散与持续同调相结合，以创建具有高多样性的 3D 形状，重点关注它们的拓扑特征。

Jan, 2024

本论文提出了一种通过使用分层扩散自动编码器 (HDAE) 以及基于截断特征的方法对扩散模型潜空间进行描述，从而实现对图像的多种操作和语义合成。

Apr, 2023

本文介绍了一种名为 TEncDM（Text Encoding Diffusion Model）的新方法，通过在语言模型编码空间中训练模型，使用基于 Transformer 的解码器和自条件机制，实现了文本生成任务中优于现有非自回归模型的效果。

Feb, 2024

我们提出了一种动态张量分解方法（Dynamic EMbedIngs fOr dynamic Tensor dEcomposition，DEMOTE），该方法利用神经扩散 - 反应过程来估计每种张量模式中实体的动态嵌入。通过构建一个多部分图编码实体之间的相关性，我们能够捕捉到动态嵌入在不同实体之间的共性和个性，并使用神经网络构建每个实体的反应过程。通过将 ODE 求解器与随机小批量学习算法相结合，我们提出了一种模型估计方法，并展示了我们的方法在模拟研究和实际应用中的优势。

Oct, 2023

ToddlerDiffusion 是一种可解释的 2D 扩散图像合成框架，受到人类生成系统的启发，它将生成过程分解成简单且可解释的阶段，生成轮廓、调色板和详细彩色图像，不仅提高了整体性能，还实现了强大的编辑和交互能力。通过在像 LSUN-Churches 和 COCO 这样的数据集上进行广泛实验验证，我们的方法始终优于现有方法。ToddlerDiffusion 在 LSUN-Churches 上与 LDM 性能相匹配，同时以三倍速且架构大小减少 3.76 倍的速度运行。附加材料中提供了我们的源代码，并将公开访问。

Nov, 2023

该研究论文介绍了 TS-Diffusion，一个通用模型，适用于处理具有采样不规则性、缺失值和大型特征 - 时间维度等复杂性的时间序列，通过分析、学习和生成时间序列的表示，该模型在传统和复杂时间序列的任务上表现出色，显著优于之前的基准模型。

Nov, 2023

本研究提出了一种基于几何潜变扩散模型（GeoLDM）的新方法，通过在潜空间中运行扩散模型来生成分子的三维几何结构。该方法对生成大分子的有效百分比有 7％的提升。

May, 2023

通过建立基于双曲几何的可解释度度量的几何潜变空间，使用径向和角度几何特性约束的几何潜变过程，HypDiff 框架能有效地捕捉和保留图的拓扑信息，并在各种拓扑结构的图生成中表现出卓越的效果。

May, 2024