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。

该文综述深度学习在弱引力透镜和宇宙学中的应用：利用卷积神经网络从汇聚度图提取非高斯信息以更严格约束宇宙学参数，估计红移分布及参数不确定性，分析KiDS-450数据对物质密度和波动幅度的限制，并涉及PSF建模与21厘米信号参数反演，展现深度学习在宇宙学数据分析中的前景。

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。