斯坦福大学研究人员提出了一种机制，解释扩散模型的创造力，认为创造力源于去噪过程。扩散模型通过学习评分函数逐步去除高斯噪声以生成新图像。研究表明，模型的平移等变性和局部性是关键因素，构建的等变局部评分（ELS）机器准确度超过90%。该理论为理解扩散模型的图像创造及其错误提供了基础。

清华与腾讯联合研发的Scene Splatter模型基于视频扩散技术，从单张图像生成高保真3D场景，解决了几何扭曲和一致性问题。该模型通过动量引导生成多视角视频，显著提升三维场景重建效果。

何恺明的新论文提出了一种名为Dispersive Loss的正则化方法，旨在提升扩散模型的生成效果。该方法无需预训练和数据增强，通过正则化中间表示来增强特征分散性，简化实现并提高生成质量。实验结果显示，Dispersive Loss在多种模型上显著改善生成效果，具有广泛的应用潜力。