本文提出了一种基于一致性约束的得分匹配方法，显著提升了CIFAR-10、AFHQ和FFHQ数据集的生成效果。研究利用潜在一致性模型解决高分辨率图像合成中的计算负担，提出了Stochastic Consistency Distillation方法，加快文本到图像生成过程，减少训练时间并提高生成图像质量，最终在多个数据集上实现了优于现有模型的效果。

本文综述得分匹配与扩散模型的研究进展，涵盖得分函数学习的泛化误差界、DLSM损失解决条件分数不匹配、单图像去噪、贝叶斯框架与噪声分数匹配求解反问题（如MRI重建）、一步采样分数模型、连续时间扩散变分框架、SURE-Score生成模型、最大似然与评分匹配的联系及离散数据推广、高阶导数直接估计，以及基于一致性约束的生成效果提升。

研究比较了基于ODE和SDE的概率流与扩散模型，发现扩散系数越大，SDE样本误差指数级下降，变化扩散系数可提升样本质量。多项工作提出基于BSDE、随机微分方程及得分匹配的生成方法，并探索图生成、DNA序列设计等应用。

综述扩散模型理论：通过变分框架推导连续时间扩散理论，证明最小化得分匹配损失等价于最大化可逆SDE似然下界；将得分匹配视为凸优化，对两层神经网络扩散模型进行非渐近分析；提出去噪扩散算子框架并推广至无限维函数空间；利用深度神经网络近似得分函数，建立样本复杂度界限；将扩散模型扩展至不等式约束流形及几何先验无限维建模。

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。