我们提出了自适应扩散机制，以分布式方式优化全局代价函数，并将其应用于分布式估计和定位问题。

Oct, 2011

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

本文概述了“扩散模型”在图像合成、视频生成、分子设计等领域中的应用, 并将相关研究分为三大类:高效采样、改进似然估计和处理具有特殊结构的数据。此外，还探讨了将扩散模型与其他生成模型相结合以获得更好结果的潜能，在计算机视觉、自然语言生成、时态数据模型等领域具有广泛的应用。本文旨在提供一个全面的扩散模型综述，指出其重点研究领域并指向未来的研究方向。

Sep, 2022

本文综述了去噪扩散模型在生物信息学中的应用及其新的发展和应用潜力。

Feb, 2023

生成人工智能是指生成合成但逼真的输出的算法。扩散模型在图像生成人工智能中目前达到最高水平，并在包括文本到图像生成器和大型语言模型在内的更通用工具中起着关键作用。

Dec, 2023

扩散模型是强大且通用的生成式人工智能技术，在计算机视觉、音频、强化学习和计算生物学等领域取得了巨大的成功。本文回顾了扩散模型的新兴应用，理解了它们在各种控制下的样本生成。同时，我们概述了现有的扩散模型理论，涵盖了它们的统计性质和采样能力。进一步地，我们评述了通过条件扩散模型进行高维结构化优化的新途径，将解决方案的搜索重新定义为条件采样问题，并通过扩散模型进行求解。最后，我们讨论了扩散模型的未来发展方向。本文旨在为刺激前瞻性的扩散模型理论和方法提供全面的理论介绍。

Apr, 2024

通过Tree of Diffusion Life（TDL）方法，对扩散模型的生成空间进行采样并利用图像编码器从这些样本中提取语义含义，借助一种新颖的演化嵌入算法明确编码迭代过程并保留高维关系，从而实现对数据演化的可视化，简化了对扩散模型数据演化的理解并提供了有价值的洞见。

Jun, 2024

本研究针对生物学中理解生物体如何随着环境演化与适应的问题，提出了一种新的方法——Phylo-Diffusion框架，通过层级嵌入来结合系统发育知识。研究表明，该方法在捕捉鱼类和鸟类的显著特征变异方面表现出色，揭示了其进化生物机制的新见解。

Jul, 2024

本研究解决了扩散模型与进化算法之间的关系，提出扩散模型可以被视为一种进化算法。通过数学证明，研究展示了扩散模型在参数空间中通过迭代去噪来高效识别多个最优解，从而超越传统的进化算法。此方法不仅在复杂高维参数空间中显著减少计算步骤，还为扩散和进化两个领域的相互促进开辟了新途径。

Oct, 2024

本研究解决了扩散模型与进化算法之间的关键联系，表明两者均可通过迭代精炼随机初始分布生成高质量样本。研究提出了一种新颖的方法，通过深度学习驱动的扩散模型在各种进化任务中进行生成，显著提高了进化算法的收敛效率和样本精度，同时保持了探索多样性。

Nov, 2024