本研究探讨了无分类器引导和回溯分类器引导的理解，明确了关键假设并研究了分类器的作用。研究发现，两者通过去噪扩散轨迹远离决策边界实现条件生成，提出的后处理步骤有效缩小了模型学习分布与真实数据分布之间的差距。

本研究提出了一种新型条件生成量子特征求解器，克服了传统量子算法的局限性。在处理最多10个量子位的组合优化问题时，该方法表现出色，推动了混合量子经典计算的发展。

本研究提出FM-TS框架，旨在解决时间序列生成中的计算复杂性问题，优化生成过程，支持条件和无条件生成，性能优于现有方法。

本研究提出了一种“代理增强采样”方法，解决离线黑箱优化中的样本不足问题，并结合“基于扩散的代理精细化”提高优化鲁棒性。实验表明，该方法在多个设计任务中表现出色，显示了其在条件生成中的潜力。

基于变换器结构的核弹性自编码器（KAE）是一个自我监督的生成模型，解决了生成和重构的挑战，并在分子设计中取得了显著的多样性和完美的重构。KAE实现了条件生成和优于训练数据集的性能。预计KAE可应用于解决生成问题。

通过引入扩散模型于降水预测任务，提出了一种基于历史观测数据的短时降水预报条件扩散模型（SRNDiff）。该模型通过加入条件解码器模块实现了端到端的降水预测，超越了 GANs 在条件生成方面的性能。扩散模型在降水预测中具有优势和潜力，并提供了新的见解。

该论文提出了一种自监督去噪磁共振成像方法DDM^2，采用条件生成实现去噪。实验结果表明，该方法在4个真实的体内扩散MRI数据集上表现出卓越的去噪性能，并用临床相关的定量和定性指标进行了评估。

本文介绍了一种方法，通过后续学习潜在约束，在不重新训练模型的情况下进行条件生成，并生成逼真的有条件图像。同时，使用基于梯度的优化来保持恒等变换，以最小调整潜在空间来修改图像属性。最后，结合离散的音符序列进行零样本条件生成，无需标记数据或可微分奖励函数。

本文介绍了一种新型的自我监督混合模型（DAE-GAN），结合了形变自编码器和条件生成的最新进展。该模型能够在大量未标记视频的情况下自然地再现人脸，并在 VoxCeleb1 和 RaFD 数据集上取得了优秀的实验结果。