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

本综述主要介绍了最近视觉领域中扩散模型的进展，特别是那些影响扩散模型计算效率的重要设计方面，重点是强调了最近提出的设计选择，这些选择导致更高效的扩散模型。

Oct, 2022

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

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

本研究针对扩散生成模型在数据生成中的设计自由度不足的问题，提出了一个统一的框架，允许在多种表示方式、先验分布和噪声调度方面实现灵活选择。新方法特别引入了软条件模型，有助于将传统扩散模型与自回归模型平滑衔接，从而提高了训练效率和数据生成的潜力。

Oct, 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联系，阐明了扩散模型实际上是进化算法的一种表现形式。提出的扩散进化方法通过迭代去噪来精炼参数空间中的解决方案，能够有效识别多个最优解，并在高维复杂参数空间中显著减少计算步骤，从而 outperform 传统的进化算法。

Oct, 2024