本文提出了一种用于采样扩散概率模型的快速高阶求解器DPM-Solver，并通过自适应求解扩散常微分方程，可在数百或数千步骤内使用较小的神经网络采样高质量样本，相比于以往方法有明显速度优势

Jun, 2022

本文提出DPM-Solver++，一种高阶求解器，用于改善和加速基于指南的扩散概率模型的采样质量，并且比先前的高阶求解器更稳定和快速。实验证明，在像素空间和潜空间DPM的引导采样中，DPM-Solver++仅需要15到20步即可生成高质量样本。

Nov, 2022

本研究提出了一种基于“限制后向误差进度表”（RBE进度表）的快速采样方法，使Denoising Diffusion Probabilistic Models（DDPM）拥有更快的采样速度而不需要进一步训练，并在各种基准数据集上实现了高品质图像的生成。

Apr, 2023

本文提出了一种名为DDM的扩散模型，通过将复杂的扩散过程分解为两个相对简单的过程，来提高生成效果和速度，它通过显式转移概率近似图像分布，并通过标准维纳过程控制噪声路径；文章还提出了一个新的DPM训练目标，能够分别预测噪声和图像成分，同时，DDM的逆向去噪公式可以自然地支持少数的生成步骤（不需要基于ODE的加速器），实验结果表明，DDM在更少的函数评估方面优于以前的DPM。

Jun, 2023

提出了一种适用于扩散概率模型的高效取样器，通过引入分数积分解算器和递归导数估计方法，实现了具有收敛性保证的高效取样算法，与现有的无需预训练的取样算法相比，在离散时间和连续时间的扩散概率模型上取得了最先进的取样性能。

Aug, 2023

我们提出了一种统一的框架来在扩散模型中实现有效的图像生成，其中搜索最佳时间步骤序列和压缩模型架构，无需进一步的训练。通过引入两阶段进化算法和使用生成和真实样本之间的FID评分来加速搜索过程，该方法在仅使用几个时间步骤时实现了出色的性能。

Sep, 2023

该研究提出了一种新的改进方法，通过最小化高保真图像生成中的采样误差，建立了一种针对传播概率模型的新的快速ODE求解器DPM-Solver-v3，并通过引入一些在预训练模型上高效计算的系数，提高了样本质量。

Oct, 2023

引入一种高级加速技术——FRDiff，通过利用扩散模型中固有的时间冗余，重复使用具有高时间相似性的特征图，实现了在各种生成任务中在保真度和延迟折衷之间平衡的Pareto前沿。

Dec, 2023

通过设计一个优化问题，并使用约束信任区域方法，我们提出了一种针对特定数值ODE解算器的扩散概率模型(DPMs)寻找更合适的时间步长的通用框架，该框架能显著改善图像生成性能。

Feb, 2024

LD3是一个轻量级的学习时间离散化的框架，可在采样Diffusion ODE时与各种求解器结合使用，从而提高采样效率并减少计算开销。

May, 2024