本研究解决了视觉基础模型（VFM）在像素级理解应用中的特征分辨率限制问题，提出了一种新的坐标-based交叉注意力变换器架构，以整合高分辨率图像和低分辨率特征，实现高质量特征的生成。此外，利用类无关掩码和自蒸馏构建高分辨率伪真值特征，显著改进了现有特征上采样技术的效果，展示了更出色的下游任务性能。

本研究解决了在离散领域中从复杂非标准分布中采样的内存规模限制问题，提出了两种新颖的离散扩散采样器训练方法，分别基于策略梯度定理和自归一化神经重要性采样（SN-NIS）。研究结果表明，这些方法在无监督组合优化中取得了最佳效果，并首次将离散扩散模型应用于无偏采样问题，拓宽了此类模型在科学应用中的适用范围。

本研究解决了在没有目标样本的情况下训练神经随机微分方程（扩散模型）以从玻尔兹曼分布中采样的问题，填补了现有方法的不足。通过证明在无穷小离散化步长极限下多种目标的等价关系，将熵强化学习方法与连续时间对象关联，进一步表明适当的粗时间离散化选择能显著提高样本效率，降低计算成本并在标准采样基准上实现竞争性表现。

本研究解决了现有扩散桥模型在采样速度上的不足，提出了一种采用高阶普通微分方程采样器的新方法，从随机初始状态开始生成图像。通过在反向过程的首步引入后验采样方法，该方法显著提高了图像恢复和转换任务的感知质量，同时降低了神经函数评估的计算开销，从而在视觉质量和Frechet Inception Distance (FID)方面超越了最先进的技术。

本研究针对文本到图像生成中的文本对齐问题进行探索，现有模型在文本渲染上存在拼写错误和不一致的问题。我们提出了一种训练自由的超采样器，通过自适应控制文本相关性提高文本渲染精度，在不增加计算负担的情况下，AMO在SD3和Flux模型中实现了32.3%和35.9%的文本渲染准确性提升，并且不会影响整体图像质量。

本研究针对现有确定性采样器分析方法的局限性，提出了一种统一的收敛性分析框架，弥补了传统方法在处理确定性采样时的不足。通过对保方差（VP）前向过程和去噪扩散隐式模型（DDIM）类型采样器的分析，显著提高了迭代复杂度的理解，这一发现将推动相关领域的研究进展。

本文探讨了评分失配扩散模型在目标分布与训练分布不一致时的影响，特别是在零样本条件采样中的理论问题。研究表明，评分失配会导致目标与采样分布之间的偏差，为设计偏差最小的零样本采样器提供了理论依据。

本研究解决了生成模型在采样未归一化密度函数时的困难，特别是反向KL散度导致的多模态分布近似不足。通过最小化扩散轨迹上的反向KL散度，提出了一种新方法，使模型能更好地捕捉多模态。实验表明，该方法显著提升了多模态博尔兹曼分布的采样性能。

本研究提出了一种名为非平衡传输采样器（NETS）的算法，用于解决传统采样方法的偏倚问题。NETS通过引入学习的漂移项，提高了采样的准确性，并在多个基准测试中表现出色。该方法提高了高维数据的采样效率，且扩散系数可调，便于应用。

研究训练扩散模型从未归一化的密度分布中采样，评估变分方法和生成流网络的优劣。结果质疑现有算法，并提出通过局部搜索和重放缓冲区提高样本质量的新策略。研究公开代码，为未来扩散模型的推理奠定基础。

本文介绍了软约束的Schrödinger bridge（SSB）的最优控制方法，通过惩罚两个分布之间的Kullback-Leibler散度，得到最优控制过程的终端分布是μ_T和其他分布的几何混合。该方法在时间序列设置中应用，并提出了鲁棒性生成扩散模型的应用。同时，还介绍了一种基于评分匹配的算法，用于从几何混合中进行采样，并通过对MNIST数据集的数值实例展示其用途。

本文介绍了一种名为基于能量扩散生成器的新型采样器，利用变分自动编码器结构将潜在变量转换为目标分布的随机变量，并设计了基于扩散模型的编码器。通过准确估计生成样本分布与目标分布之间的Kullback-Leibler散度，该方法在各种复杂分布函数上表现出优越性。

通过统一的采样框架（USF）研究求解器的可选策略，提出了$S^3搜索方法，能够优化求解器计划以提高样本质量。实验证明$S^3在多个数据集上表现优秀，且应用于稳定扩散模型时能够获得2倍的加速比。

本文介绍了一种基于非可逆马尔可夫链蒙特卡洛算法的类别，利用连续时间分段确定性马尔可夫过程。这些算法通过改变状态来利用马尔可夫转移核，只更新子集状态，保持目标不变。本文提出新的 MCMC 方法来解决这些限制，并在多种应用中展示了性能。

本文介绍了一种新的生成模型，利用评分匹配来估计数据分布的梯度，通过 Langevin 动力学生成样本。该模型在 MNIST、CelebA 和 CIFAR-10 数据集上表现出色，实现了 CIFAR-10 inception 得分的新的最先进水平为 8.87。同时，通过图像修补实验证明了该模型学习到了有效的表示。