本文介绍了 Diffusion-EDFs，一种新颖的方法，将 SE (3)- 等变性（roto-translation equivariance）引入扩散生成模型中，展示出了卓越的数据效率，只需要 5 至 10 个任务演示进行有效的端到端训练，并且相比以前的基于扩散的操作方法，具有更好的泛化能力。

Sep, 2023

我们提出 EquiBot，一种稳健、数据高效和具有广泛适用性的机器人操作任务学习方法，结合 SIM (3)- 等变神经网络架构和扩散模型，从有限的数据中学习并在不同环境中泛化。

Jul, 2024

Variational Diffusion Distillation (VDD) 是一种将预训练的扩散模型提取为混合专家模型 (MoE) 的方法，结合了扩散模型的表达能力和混合模型的优势，通过分解性上界的变分目标训练每个专家，从而在复杂行为学习任务中实现了对复杂分布的准确提取，超越了现有的蒸馏方法和传统的 MoE 训练方法。

Jun, 2024

最近几年扩散模型已成为主要的分布学习方法。本文介绍了一种称为结构保持扩散过程的扩散模型系列，用于学习具有额外结构特征（例如群对称性）的分布。该研究通过开发理论条件，使扩散转移步骤保持所述对称性，从而使得数据采样轨迹具有等变性。我们以开发一系列不同对称等变的扩散模型来验证这些结果，并能够学习具有固有对称性的分布。通过在合成和真实数据集上进行实证研究，我们验证了所提出的模型符合提出的理论，并在样本均等性方面能够实现比现有方法更好的性能。我们还展示了如何使用所提出的模型，在不事先了解图像方向的情况下实现理论上有保证的等变图像降噪。

Feb, 2024

本研究提出了一种 E (3) 等变扩散模型 (EDM)，该模型学习使用等变网络对包含连续（原子坐标）和分类特征（原子类型）两种特征的扩散过程进行去噪。同时，基于该模型提供了一种概率分析方法，可以计算出基于该模型生成的分子的似然。实验证明，相较于先前的 3D 分子生成方法，本研究提出的方法在样本的生成质量和训练效率方面显着优于其他方法。

Mar, 2022

本文提出了 Crossway Diffusion 方法，在扩展 Diffusion-based policy 学习过程中利用自我监督学习的目标，以提高视觉运动策略学习的效果，并在各种模拟和实际机器人任务中证明了其优势。

Jul, 2023

本文将扩展扩散模型的框架，将几何先验引入无限维建模，并通过构建噪声过程和近似得分实现对称性，展示了该模型适用于模拟扩散模型的任意对称性情景以及在复杂的合成场景和天气数据上的可扩展性和容量。

Jul, 2023

3D Diffusion Policy (DP3) is a novel visual imitation learning approach that incorporates 3D visual representations to teach robots dexterous skills, demonstrating precise control, high success rates, and excellent generalization abilities, while rarely violating safety requirements in real-world robot learning.

Mar, 2024

通过引入稀疏的、可重用的、灵活的策略 Sparse Diffusion Policy（SDP），在传统模型中解决了多任务学习和持续学习的高计算成本和灾难性遗忘的挑战，SDP 通过采用基于 transformer 的扩散策略中的 experts 和 skills，实现了选择性激活专家和技能，在不重新训练整个模型的情况下实现了高效的任务特定学习，减少了激活参数的负担，并促进了不同任务中专家的无缝集成和重用，通过对多样任务的广泛实验验证了 SDP 在多任务场景中的优越性，防止了对新任务的遗忘，实现了高效的任务转移，为先进的机器人应用提供了有前景的解决方案。

Jul, 2024

通过在模型训练过程中加入约束条件使其生成的样本更符合所施加的约束，从而提高生成样本与约束的一致性，且相较于现有方法有更好的性能且不影响推断速度；该方法还可以自然地防止过拟合。

Mar, 2024