本研究探讨了扩散模型生成文本幻觉的问题，发现其主要源于局部生成偏差。当数据分布的不同维度几乎独立时，去噪网络倾向于依赖相关的局部区域，导致生成文本不符合语法。这一发现为理解其他类型的幻觉提供了重要见解。

本文介绍了多种基于扩散模型的图生成方法，包括扩散排序网络、去噪网络和自回归扩散模型，这些方法显著提高了生成性能和速度。同时，提出了改进的图嵌入分析框架和去随机扩散过程，优化了自然语言生成和机器翻译任务的样本质量。

本文探讨了基于扩散模型的条件采样方法在黑盒优化中的应用，证明了其效率和准确性。研究提出了一种新型去噪网络，显著提高了模型的参数效率和推理速度。同时，介绍了基于凸神经网络的渐进Wasserstein流逼近方法，适用于机器学习。改进的扩散过程和算法加速了离散扩散模型的生成速度和样本质量，展示了在自然语言生成和机器翻译中的优越性。

该文综述扩散模型进展：提出离散数据连续时间去噪框架与CTMC采样器，加速离散扩散并提升样本质量；设计连续动力系统去噪网络，大幅减少参数与计算量，推理提速70%；D3PM用过渡矩阵改进离散生成；扩散桥、随机控制及Step-Adaptive Training提升去噪、异常检测与训练效率。

该文综述扩散生成模型理论：通过变分框架推导连续时间扩散，证明最小化得分匹配损失等价于最大化可逆SDE似然下界；深度网络可高效近似得分函数，线性结构可加速采样15-30%；提出正则化非参数回归统一视角及迭代正则化得分估计器；去噪网络具强泛化与几何自适应谐波归纳偏差；应用于MRI重建、无训练采样和不平衡分类。