本文综述了基于机器学习的生成模型，特别是能量基模型（EBMs）在网格场论和蒙特卡罗采样中的应用。介绍了随机归一化流、混合变换流和最大似然训练算法等新方法，强调了采样效率和精度的提升。探讨了EBMs与统计力学的关系及其训练技术，旨在帮助物理学家理解EBMs及其与其他生成模型的联系。

CDRL是一种提高样本质量的方法，通过定义能量基模型并学习和采样来实现。在CIFAR-10和ImageNet 32x32上，CDRL方法比现有的EBM方法快2倍且有明显提高。此外，CDRL方法还可用于组合生成和图像修复任务，并实现了样本质量和样本多样性的权衡。