本研究提出了一种基于Koopman理论的离线蒸馏框架，旨在降低扩散生成模型的计算成本。该框架通过编码噪声输入实现单步生成，保持语义一致性，并在标准测试中将FID得分提高了40%。

本研究探讨了在缺乏成对输入输出信号的情况下，如何准确估计非线性音频效果。提出了一种基于扩散生成模型的新方法，并与对抗方法进行了比较。实验结果表明，扩散方法在数据可用性上更为稳定，而对抗方法在估计明显失真效果方面表现更佳，显示了扩散模型在音乐技术中的潜力。

本研究提出了一种新方法，通过连续时间强化学习微调扩散生成模型，解决了传统离散时间强化学习的误差问题。实验结果表明，该方法在大型文本到图像模型的微调任务中表现优异。

本文提出了Dream-in-4D方法，通过扩散生成模型实现从文本和图像生成动态3D场景。该方法结合静态3D资源和可变形神经光辐射场，显著提高了图像质量和动态一致性，解决了现有模型在运动和几何一致性方面的不足。

本研究提出一个统一框架，解决扩散生成模型在数据生成中设计自由度不足的问题。该框架允许灵活选择表示方式、先验分布和噪声调度。新方法引入软条件模型，连接传统扩散模型与自回归模型，提高训练效率和生成能力。

本文研究了优化证据下界（ELBO）对扩散生成模型（如DDPMs）训练有效性的理论基础问题，并建立了连续时间扩散过程的密度公式。研究发现，训练DDPMs的优化目标的最小化几乎与真实目标一致，为使用ELBO优化DDPMs提供了理论支持。同时，提出了一种基于评分差异流的新方法，可以将源分布向目标分布推进，具有潜在的应用价值。

本研究提出了一种新型扩散生成模型，用于模拟蛋白质折叠过程并生成高质量蛋白质结构。通过多种方法提高预测精度，尤其在药物发现领域表现突出，并引入动态数据集以增强模型性能。

本研究探讨了扩散生成模型在偏微分方程神经算子中的应用，展示其在真实动力系统中的优势。通过贝叶斯神经网络和数据驱动模型，研究了不确定性处理和流动轨迹预测中的误差传播，并提出了适用于气候和人口动态学的新多层次随机模型。

本文提出了一种新的梯度估计器SIMPLE，结合前向离散子集采样与快速计算边际梯度，具有更低的偏差和方差。同时，研究探讨了基于鲍姆-韦尔奇定理的核估计方法，并提出了基于正则化的分数估计器，以提高扩散生成模型的训练和采样效率。

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。

本文提出了一种多尺度标准化流模型，用于生成宇宙学数据和模拟余弱引力透镜，优于传统统计模型。同时，介绍了基于扩散的生成模型，分析了湍流特性，并展示了多种生成和估计方法的有效性。

本文提出了Dream-in-4D方法，利用扩散生成模型从文本和图像生成动态3D场景。该方法通过高质量静态资源、可变形神经光辐射场和多分辨率特征网格实现运动分离，显著提升了图像质量和动态一致性，支持基于实际场景的生成，增强用户控制，适用于文本到4D、图像到4D等任务。

本文介绍了一种新型的分子构象生成方法，该方法结合深度学习和扩散生成模型，能够高效生成蛋白质结构并优化分子构型，具有优于传统技术的准确性和效率，展现出广泛的应用潜力。

该文综述扩散生成模型研究，涵盖随机控制统一采样与变分推断以提升表达力、确定性推理策略加速采样25倍、结合扩散映射与朗格朗日动力学解决稳定性问题、薛定谔桥建模非归一化密度、去随机扩散加速离散模型、能量扩散生成器实现准确KL估计、扩展动力学融合采样与规划，以及Stein变分梯度训练随机网络逼近目标分布。

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。

本文综述扩散生成模型的量化加速方法：通过压缩去噪网络，将全精度模型量化为8位且无需重训，并兼容快速采样。研究涵盖混合精度校准、无数据高效优化EfficientDM、渐进校准PCR与QDiffBench基准、基于信噪比的敏感部分量化、无数据后训练量化、时间特征维护4位量化、十亿参数模型微调量化及FDDA数据分布对齐等，显著提升样本质量并降低计算成本。

该文综述神经时间点过程（TPP）研究进展：有工作系统评估现有模型的预测准确性与事件编码，指出标记分布不正确的认识偏差并提出解决方案；另有研究采用扩散生成模型实现多步长期预测，或结合卷积事件编码器与RNN捕捉局部和全局上下文。DualTPP、变分神经TPP、TriTPP及非自回归扩散模型分别改进远期预测、随机性与快速采样，并在合成和真实数据集上验证优于现有方法。

通过Dream-in-4D方法，使用扩散生成模型从文本和图像生成动态的3D场景。该方法通过学习静态资源、形变分离和视频扩散指导的运动来提高生成效果。用户偏好研究证明了该方法在图像质量、动态一致性和文本保真度方面的显著提高。该方法还可用于可控的生成任务。

本文介绍了一种新颖的方法Diffusion-EDFs，将SE(3)-等变性引入扩散生成模型中。该方法展示了卓越的数据效率，只需5至10个任务演示进行有效的端到端训练，并且相比以前的基于扩散的操作方法，具有更好的泛化能力。