该文综述扩散模型在时间序列与语音生成中的进展：TS-Diffusion处理不规则采样与缺失值，TSDM用于故障诊断，TSDiff支持预测与合成，D3PM面向离散数据，DDIM加速采样；语音方面，DiffGAN-TTS、Diff-TTS、ProDiff实现快速高保真合成，DDPM改进似然与采样效率。

该文综述扩散模型的多项进展：DiffFit实现高效微调并加速两倍；分类器引导提升图像合成质量；蒸馏法加快采样；无训练方法生成超高分辨率图像；级联模型提升ImageNet生成效果；Patch Diffusion降低训练成本；DomainStudio实现少样本生成；条件蒸馏简化流程；Diffusion Inversion生成高质量训练图；微调文本到图像模型提升分类准确率。

本文综述扩散模型在离散数据、文本、音乐、人体运动与轨迹生成等领域的应用。D3PM通过过渡矩阵提升字符级文本生成；DDIM将采样提速10至50倍；ShiftDDPMs、镜像扩散模型及LDIDPs改进条件建模与隐式采样；Diff-Traj和Traj-UNet实现高效轨迹预测，并在行人及自动驾驶数据集上达到先进水平。

该文综述扩散模型与概率常微分方程（ODE）求解研究，提出贝叶斯过滤ODE方法降低参数敏感性，改进扩散ODE最大似然估计并在CIFAR-10和ImageNet-32达最优，分析ODE与SDE采样性能发现增大扩散系数可指数级降低误差，提出蒸馏ODE求解器加速采样，并建立分布学习收敛分析及概率流ODE多项式时间收敛保证。

该文综述扩散生成模型研究，涵盖随机控制统一采样与变分推断以提升表达力、确定性推理策略加速采样25倍、结合扩散映射与朗格朗日动力学解决稳定性问题、薛定谔桥建模非归一化密度、去随机扩散加速离散模型、能量扩散生成器实现准确KL估计、扩展动力学融合采样与规划，以及Stein变分梯度训练随机网络逼近目标分布。

该文综述扩散生成模型理论：通过变分框架推导连续时间扩散，证明最小化得分匹配损失等价于最大化可逆SDE似然下界；深度网络可高效近似得分函数，线性结构可加速采样15-30%；提出正则化非参数回归统一视角及迭代正则化得分估计器；去噪网络具强泛化与几何自适应谐波归纳偏差；应用于MRI重建、无训练采样和不平衡分类。