通过最优传输解决扩散模型中的先验分布不匹配

本文提出了一种新的采样理论框架，将扩散模型的优化与均值偏移算法结合。

研究表明，扩散系数越大，使用SDE模型生成样本的误差会指数级下降，且变化扩散系数可以提高样本质量。

DDM模型通过将复杂的扩散过程分解为两个简单过程，提高了生成效果和速度。

DPM-OT框架通过最优传输问题实现快速生成高质量样本，实验证明其在速度和质量方面的有效性。

曝光偏差问题的系统研究揭示了训练和抽样之间的输入不匹配，并提出了Epsilon Scaling方法来缓解该问题。

ER-SDE求解器为扩散模型的图像生成速度带来了显著提升。

研究建立了离散扩散模型的概率流动基本理论，并提出了一种新的采样方法。

FreeFlow框架通过时间依赖的最优输运解释扩散公式，揭示了DPMs的机制和缺陷。

基于随机热力学技术，讨论了扩散模型与非平衡态热力学的关系，提供了生成数据的定量洞察。

提出了一种新的快速收敛理论，显著改进了现有的扩散模型收敛理论。