本研究提出了一种新型重采样标准，通过提升分数来改善扩散模型的生成效果。提升分数有效评估生成样本的条件符合性，显著提高条件对齐性并降低计算开销。

本研究提出了一种去噪分数蒸馏（DSD）方法，旨在提升扩散模型在低质量数据下的生成性能。通过在噪声样本上预训练并蒸馏为一步生成器，DSD显著改善了生成样本的质量。

本研究提出了一种新算法，旨在优化扩散模型生成样本时的特定指标（如稳定性和亲和性），从而提升模型的应用效果与灵活性。

本文识别了去噪模型训练损失中的奇点源，导致预测向源或目标分布均值归零。提出了一种新模型——线匹配模型（LMM），提高了采样效率和生成样本的保真度，在多个基准数据集上取得了先进的FID分数。

本文研究了使用重要性采样方法优化生成式对抗网络训练。实验结果显示该方法能够提高生成样本的优化速度和保真度。

该论文提出了一种使用深度可逆变换的无监督学习生成模型训练方法，解决了概率和逆变换之间的冲突，实现了更好的生成样本和更高的似然性评估。

本研究探讨了不同采样技术对音乐质量的影响，使用概率截断采样技术分析样本的音乐特性，并评估了生成样本的优化和非优化情况。