本文研究了扩散概率生成模型的泛化能力，发现确定性采样器生成的数据与训练集高度相关，导致泛化能力差。通过实验验证了训练模型的微小区别对性能的影响，并提出了新的训练目标以改善泛化能力。此外，研究探讨了模型的记忆行为及其对生成质量的影响，提出了有效的加权策略以解决估计偏差问题，展示了扩散模型在高维数据学习中的优势。

该文综述扩散概率生成模型研究，从随机控制视角统一采样与变分推断，量化模型表达能力，提出无偏模拟方案及方差上限；并介绍基于能量的训练与采样、神经生成网络结合分数匹配、Schrödinger桥建模非归一化密度、去噪扩散用于能源预测、优化噪声时间表提升似然、扩散模型改进VAE图像质量、基于评分的条件化与组合生成、DiffEnc改进及能量受限扩散模型学习实例表示。