本文提出了一种高效的伴随采样算法，旨在从非标准密度中进行扩散过程的采样，支持大规模学习，尤其在计算化学领域具有重要影响。

本研究提出递归扩散概率模型（RDPM），旨在解决扩散概率模型与大语言模型在生成图像和文本方面的差异。RDPM通过递归令牌预测机制增强了扩散过程，展现出优越的性能，尤其在推理速度上具有明显优势。

本研究提出IMPROVE框架，通过原型引导扩散过程提升医学图像生成的可信度，实验结果表明该方法显著提高了生成图像的医学准确性，无需人类验证。

本研究提出了分子隐式神经生成模型（MING），通过联合去噪的功能表示和扩散过程，解决了传统方法的不足，实现了高效准确的分子建模。实验表明，MING在分子生成上表现优异，速度更快，架构更简洁。

我们提出了一种名为SP-DiffDose的模型，结合SwinTransformer和投影器技术，提高放射治疗剂量分布预测的准确性。该模型通过多尺度条件扩散过程，将噪声和解剖图像映射到剂量分布图。评估结果显示，SP-DiffDose在内部数据集上优于现有方法，特别是在危险器官剂量预测方面表现出色。

3D生成在过去十年中迅速发展，得益于生成建模领域的进步。最近的研究表明，扩散过程与策略梯度方法兼容，并通过美学评分函数改进了2D扩散模型。研究者开发了一种新方法DDPO3D，将策略梯度方法扩展到基于得分的3D渲染，并改进了SDS-based方法。该方法与基于得分蒸馏的方法兼容，可以融入各种奖励函数。

3D生成在过去十年中迅速发展，最近的研究表明扩散过程与策略梯度方法兼容，并通过美学评分函数改进了2D扩散模型。研究者开发了一种新方法DDPO3D，结合了策略梯度方法和美学评分，改进了基于得分的3D渲染方法。该方法与基于得分蒸馏的方法兼容，可以融入各种奖励函数。

本文介绍了一种使用扩散过程将训练集信息纳入预测噪声向量的方法，并将其转化为用于度量OOD的得分。该方法在所有类型的图像编码器中胜过以前的OOD方法，并且在不同类型的图像编码器上表现出良好的鲁棒性。

本文介绍了一种新颖的图生成模型GRASP，利用图拉普拉斯矩阵的频谱分解和扩散过程，能够快速准确地生成图。该模型在节点空间中操作，通过截断谱捕捉图的结构特性，避免了二次复杂度限制，具有较强的优势。

3D生成在过去十年中迅速发展，得益于生成建模领域的进步。最近的研究表明，扩散过程与策略梯度方法兼容，并通过美学评分函数改进了2D扩散模型。研究者提出了一种基于得分的3D渲染方法，通过策略梯度方法和美学评分改进了SDS-based方法。该方法与基于得分蒸馏的方法兼容，可以融入各种奖励函数。

过去十年中，3D生成技术迅速发展，最近的研究表明扩散过程与策略梯度方法兼容，并通过美学评分函数改进了2D扩散模型。研究者开发了一种新的方法DDPO3D，结合了策略梯度方法和美学评分，用于改进基于得分的3D渲染。该方法与基于得分蒸馏的方法兼容，并可以融入各种奖励函数。

过去十年中，3D生成技术迅速发展，得益于生成建模领域的进步。最近的研究表明，扩散过程与策略梯度方法兼容，并通过美学评分函数改进了2D扩散模型。该研究展示了美学评分器在基于SDS的方法中的有效性，并利用DDPO方法改进了从2D扩散模型获得的3D渲染质量。这是第一种将策略梯度方法扩展到基于得分的3D渲染的方法，并对SDS-based方法进行了改进。该方法与基于得分蒸馏的方法兼容，可以融入各种奖励函数。

过去十年中，3D生成技术迅速发展，得益于生成建模领域的进步。最近的研究表明，扩散过程与策略梯度方法兼容，并通过美学评分函数改进了2D扩散模型。该研究展示了美学评分器在基于SDS的方法中的有效性，并利用DDPO方法改进了从2D扩散模型获得的3D渲染质量。这是第一种将策略梯度方法扩展到基于得分的3D渲染的方法，并对SDS-based方法进行了改进。该方法与基于得分蒸馏的方法兼容，可以融入各种奖励函数。

InstructDiffusion是一个用于将计算机视觉任务与人类指令对齐的通用框架。通过扩散过程训练模型以预测像素，它能够处理各种视觉任务，并在新数据集上表现优于先前的方法。这将推进计算机视觉领域的人工智能通用建模接口的发展。

本文研究了一类概率生成模型，其中潜在对象是有限时间间隔上的有限维扩散过程，观察变量是在扩散的终端点条件下绘制的。通过随机控制的视角，为这种生成模型的采样和变分推断提供了统一的观点，并量化了基于扩散的生成模型的表现力。最后提出并分析了一个无偏模拟的方案，并提供了结果估计值的方差上限。这个方案可以实现为深度生成模型并具有随机层数。