本研究提出了一种名为测量优化（MO）的方法，旨在减少基于扩散模型的逆问题求解中的函数评估次数，从而显著提高效率，并在多个任务上实现最新性能，可能对图像重建等领域产生深远影响。

该研究提出了一种PS-BAX方法，旨在解决贝叶斯算法中高成本函数评估的问题。该方法基于后验采样，简单有效，实验证明其在多个任务中表现优越，推动了后续研究的发展。

本文提出了一种名为DDM的扩散模型，通过分解扩散过程来提高生成效果和速度，同时提出了一个新的DPM训练目标。实验结果表明DDM在更少的函数评估方面优于以前的DPM。

本文提出了DDM扩散模型，简化扩散过程以提高生成效率和速度。同时，提出了新的DPM训练目标，可分别预测噪声和图像成分。DDM比以前的DPM在函数评估方面更优。