本研究提出了一种迭代去噪框架，解决了离散扩散模型在图形生成中的噪声累积问题。通过假设时间条件独立，简化了噪声处理，并引入算法改进，实证结果表明该方法优于现有基线。

本文提出了一种新的政策梯度算法——得分熵策略优化（SEPO），旨在解决离散扩散模型在使用人类反馈的强化学习中的微调难题。该方法在处理非可微分奖励时展现出良好的可扩展性和效率，可能推动相关研究的发展。

本研究提出了一种新颖的离散扩散模型蒸馏方法，克服了自回归大型语言模型在生成速度和延迟方面的局限性，显著提升了文本质量和生成效率，具有广泛的应用前景。

本研究提出了一种新算法DRAKES，优化了离散扩散模型在生成生物序列时的性能。通过使不可微分轨迹可微分，实现了奖励的直接反向传播，提升了DNA和蛋白质序列的自然性和功能性，对基因和蛋白质治疗有重要意义。

本文介绍了一种名为“跳跃你的一步”（JYS）的新方法，旨在解决离散扩散模型采样速度慢的问题。通过优化采样时间步分配，最小化解码误差，无需增加计算成本。实验表明，JYS在图像、音乐和文本生成中的采样质量显著提升，展示了其快速采样的潜力。

研究提出了一种布局校正器模块，解决离散扩散模型生成不和谐布局的问题。该模块通过识别并重新生成和谐布局，显著提升布局生成性能。文章介绍了多种布局生成模型，如PLay、DLT、LayoutDM等，展示了其在条件布局生成中的潜力和优越性。这些模型支持多种条件和用户交互，提高了布局设计的效率和灵活性。