本文回顾了扩散模型在异常检测中的研究，填补了复杂高维数据异常识别的空白。作者分析了经典架构与最新进展，提出了重建、密度和混合等创新方法，并探讨了应用潜力与挑战，为未来研究提供参考。

研究表明，推理时扩散模型的计算量增加能显著提升生成样本质量。纽约大学团队探索通过优化噪声搜索来改进扩散模型，提出基础框架，强调验证器和算法设计。不同任务需特定搜索设置以实现最佳效果。

DSplats是一种新方法，通过高斯点云重建器直接去噪多视图图像，生成多样化的逼真3D资产。它结合了预训练的潜在扩散模型，确保几何一致性，实验结果表明其在单图像到3D重建方面设立了新标准。

本研究提出了一种新算法，旨在优化扩散模型生成样本时的特定指标（如稳定性和亲和性），从而提升模型的应用效果与灵活性。

本研究解决了现有文本到图像扩散模型在生成过程中的控制能力不足的问题。通过引入ObjectDiffusion模型，该模型结合了最新的生成框架，增强了对生成条件的处理能力，并且在COCO2017数据集上的评估结果显示，其在多个性能指标上均超越了当前的最先进模型，展现出卓越的图像合成能力和高保真度。

大型生成模型的能力提升引发了对其可靠性和安全性的担忧。为此，本文提出了激活传输（AcT）框架，通过最优传输理论引导模型激活，控制生成输出的概念和行为。AcT适用于多种模式，能够以极小的计算开销实现对模型行为的精细控制。实验表明，AcT有效减轻毒性、引入概念、提高真实性，并实现风格控制和概念否定。

本研究解决了现有医学图像体积到体积翻译模型在捕获内在体积分布方面的不足，提出了一种新颖的混合2D-3D模型Diff-Ensembler，能够高效地进行体积翻译。该模型通过在每个扩散步骤中结合垂直训练的2D扩散模型与3D网络实现，有效提高了3D医学图像超分辨率和模态翻译的准确性和体积真实性。

北航与ETH等研究团队提出的BiDM方法将扩散模型完全量化至1比特，存储效率提升28倍，操作效率提升52.7倍。通过时间步友好的二值结构和空间分块蒸馏，BiDM在多个数据集上超越现有技术，特别是在LSUN-Bedrooms数据集上，FID分数降至22.74，显示出其在低资源场景中的应用潜力。

本研究解决了扩散模型在对齐特定目标时的挑战，尤其是现有的微调方法容易导致奖励过度优化的问题。我们提出了一种基于顺序蒙特卡洛（SMC）的无训练采样方法，能够有效地从奖励对齐的目标分布中进行采样，且在多目标情形和在线黑箱优化中表现出与微调方法相当或更优的目标奖励，同时保持多样性和跨奖励的泛化能力。

本研究解决了扩散模型在计算过程中面临的高延迟和能耗挑战，提出了首个软硬件协同设计的扩散加速器EXION。通过FFN-Reuse算法和修改的贪婪预测方法，EXION有效利用输出稀疏性，提高了能效和性能，显著超越了传统GPU，展现出良好的应用潜力。