Day 2579：学习

扩散模型（Diffusion Models）在最近几年迅速成为生成模型领域的热点，以下是一些关键论文，这些论文标志着扩散模型理论和应用的重要进展：

"Deep Unsupervised Learning using Nonequilibrium Thermodynamics" by Jascha Sohl-Dickstein, Eric Weiss, Niru Maheswaranathan, and Surya Ganguli (2015):

这篇论文是早期探索使用随机过程（特别是扩散过程）进行深度生成建模的工作之一。它提出了所谓的“非平衡热力学”框架，为后来扩散模型的发展奠定了基础。
"Improving Variational Inference with Inverse Autoregressive Flow" by Diederik P. Kingma, Tim Salimans, Rafal Jozefowicz, Xi Chen, Ilya Sutskever, and Max Welling (2016):

虽然这篇论文主要关注变分自编码器（VAEs）和逆自回归流（IAF），但它对于理解扩散模型和改善其训练过程具有启发性作用，特别是在处理概率分布和生成过程的复杂性方面。
"Denoising Diffusion Probabilistic Models" by Jonathan Ho, Ajay Jain, and Pieter Abbeel (2020):

这篇论文是扩散模型领域的一个关键进展，详细介绍了一种称为去噪扩散概率模型（DDPMs）的方法。它展示了如何通过逐步去除噪声来生成图像，同时提供了一种有效的训练策略和理论框架。
"Improved Denoising Diffusion Probabilistic Models" by Alex Nichol and Prafulla Dhariwal (2021):

这篇论文在DDPMs的基础上进行了改进，提出了几种技术来提高模型的效率和生成图像的质量。它展示了扩散模型在生成高质量图像方面的巨大潜力。
"Score-Based Generative Modeling through Stochastic Differential Equations" by Yang Song and Stefano Ermon (2021):

这篇论文提出了基于评分的生成建模（Score-Based Generative Modeling），通过随机微分方程（SDEs）框架来生成数据。这种方法提供了一种不同于传统扩散过程的视角，强调了通过梯度（评分）信息来指导数据生成过程的潜力。