本研究提出了一种无训练的安全去噪器，旨在解决扩散模型生成不当内容和侵犯版权的问题。通过修改采样轨迹，利用否定集避免特定数据分布区域，实验证明该方法能够高效生成高质量样本，同时规避不安全内容，展示了其在安全利用扩散模型方面的潜力。

本文提出了一种新算法MRS（均值回归采样器），旨在提高均值回归扩散模型的生成效率。该算法通过解决反向时间随机微分方程，减少高质量样本的采样步骤，提升采样速度10至20倍，同时保持样本质量。

本研究提出了一种贝叶斯流网络，旨在解决新药设计中生成高于训练空间属性的分布外分子的挑战。该网络能够高效生成高质量的分布外样本，并引入半自回归的训练/采样方法，显著提升模型性能。

本研究提出了一种快捷模型，解决了扩散模型和流匹配模型生成过程中的高成本和慢速问题。该模型通过单一网络和训练阶段，实现快速生成高质量样本，并可调整步长，在多种采样步预算下表现优异，具有重要应用潜力。

该论文介绍了一种新颖的无监督多模态聚类方法（UMC），通过利用非语言信息来辨识复杂语义，并通过动态选择高质量样本来学习表示，从而在聚类度量方面取得了显著提高。

该研究提出了一种新的度量标准，用于评估无图像参考的标题文本的具体性和相关性。该方法利用强基模型衡量多模态表示中的视觉-语义信息损失，并证明与人类对文本具体性的评估相关。同时，使用该度量标准进行筛选可以选择高质量的样本，以进行高效训练。