本文研究了扩散生成模型在模拟冷暗物质密度场中的应用，探讨了宇宙学参数与功率谱的关系。通过引入约束条件，提高了生成样本的一致性和推断准确性，防止了过拟合。同时，提出了一种高效的MCMC推断方法，利用哈密顿蒙特卡罗进行精确推断，展示了扩散模型在计算机视觉任务中的潜力。

本研究展示了利用深度学习方法从密度场测量宇宙学参数的潜力，重点是提取非高斯信息。使用弱引力透镜质量图像作为数据集，设计和实现了一个深度卷积神经网络，学习宇宙学模型与生成的质量图之间的关系，并与非高斯统计方法进行比较。结果表明该方法在高噪声环境下高效率，并可应用于实际弱引力透镜数据的分析。