本研究提出了一种新型自监督图表示学习方法Graffe，旨在解决扩散概率模型在图表示学习中的应用不足。该模型通过图编码器提炼源图，并指导扩散解码器去噪，从而在节点和图分类任务中实现领先性能。
本研究提出了一种基于ODE的增强采样方法RX-DPM，旨在降低扩散概率模型生成高质量样本的计算成本，同时显著提升样本估计精度和采样效率。
本研究探讨了扩散概率模型在生成任务中的分布不匹配问题，并提出通过分布鲁棒优化（DRO）来解决。结果显示，对抗训练（AT）显著提高了模型的鲁棒性和生成性能。
本研究探讨流匹配（FM）与扩散概率模型（DPMs）在无训练条件生成中的关系，提出两种后验采样方法，实验结果优于现有技术。
FreeFlow框架通过时间依赖的最优输运解释扩散公式，利用Wasserstein空间中的泛函梯度流揭示扩散概率模型（DPMs）的机制。它结合拉格朗日和欧拉观点，指出一些缺陷根源，并统一随机和确定性DPMs为一个模型，展示方法的可扩展性。使用的黎曼几何有助于连接数学领域，为未来模型提供更深入的工具。
本研究分析了扩散概率模型在记忆训练数据时的数据泄露和版权风险。提出了一种名为SIDE的新方法，在复杂场景中有效提取数据，在CelebA数据集上的表现提升超过50%。
该研究提出了一种利用扩散概率模型（DPMs）来减轻简洁性偏见的多样化框架。通过在训练中生成新特征组合的图像，DPMs提高了模型多样性，无需额外监督信号。实验表明，该方法在泛化和多样化性能上优于传统方法。
使用扩散概率模型对损坏图像数据集的不完整欧几里得距离矩阵进行数据补全。研究发现条件扩散生成可以重现不同H指数的缺失fBm分布距离的统计特性。扩散模型的补全方法在不同的数据库搜索情况下表现出不同的定性行为。使用H=1/3的fBm训练的扩散模型成功完成了单细胞显微镜实验中的染色体距离矩阵补全任务，展示了其对标准生物信息学算法的优越性。
本文提出了一种使用扩散概率模型的图像合成方法，通过训练加权变分界限和渐进式有损解压缩方案，获得高质量的合成结果。在实验中，该方法在CIFAR10数据集和256x256 LSUN上表现出色。
本论文提出了一种新颖的端到端网络，用于生成未来肿瘤掩模和不同治疗计划下肿瘤在任何未来时间点的真实磁共振成像。该模型基于扩散概率模型和深度分割神经网络，通过使用多参数MRI和治疗信息作为条件输入，指导生成扩散过程，以估算给定时间点的肿瘤成长。通过使用真实的手术后纵向MRI数据进行训练，验证了该模型在生成合成MRI、肿瘤分割和不确定性估计等任务中的优异性能。该模型的肿瘤成长预测能够为临床决策提供有用的信息。
本文提出了一种使用扩散概率模型的图像合成方法，通过与Langevin动力学的去噪得分匹配进行训练，获得了高质量的结果。该模型在CIFAR10数据集上获得了9.46的Inception得分和3.17的最先进的FID得分，在256x256 LSUN上获得了与ProgressiveGAN相似的样本质量。
本文提出了一种使用扩散概率模型的图像合成方法，通过与Langevin动力学的去噪得分匹配进行训练，获得了高质量的结果。
该研究提出了一种名为MotionDiff的扩散概率模型，将人体运动的运动学视为受热的粒子，其自原始状态扩散到噪声分布。该方法通过一种自然的方式获取了“白化”的潜在变量，而无需任何可训练参数，证明MotionDiff模型在两种数据集上具有竞争力的准确性和多样性表现。
本文提出了一种适用于扩散概率模型的高效取样器，通过引入分数积分解算器和递归导数估计方法，实现了具有收敛性保证的高效取样算法。与现有的无需预训练的取样算法相比，在离散时间和连续时间的扩散概率模型上取得了最先进的取样性能。
完成下面两步后，将自动完成登录并继续当前操作。
