Censored Sampling for Topology Design: Guiding Diffusion with Human Preferences
Dept. of Mechanical System Design Engineering, SeoulTech（机械系统设计工程系，首尔技术大学）；Dept. of Applied Artificial Intelligence, SeoulTech（应用人工智能系，首尔技术大学）
提出一种人机协同扩散框架，利用人类反馈训练的轻量级奖励模型引导采样，减少拓扑设计中的浮动组件和边界违规，提升物理合理性与可制造性。
2025-08-03 cs.AI cs.LG
Structured Diffusion Models with Mixture of Gaussians as Prior Distribution
University of California, Berkeley（加州大学伯克利分校）
本文提出以高斯混合为先验的结构化扩散模型，给出适配训练流程与理论优势分析，并通过多类数据实验验证其鲁棒性及在资源受限场景下的价值。
2024-10-24 cs.LG stat.ML
Guiding diffusion models to reconstruct flow fields from sparse data
School of Computation, Information, and Technology（计算、信息与技术学院）
本文提出一种引导扩散模型的方法，通过稀疏数据重建高保真流场，提升流体结构预测和像素准确性。
2026-01-08 cs.LG physics.flu-dyn
Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models
University of Pennsylvania（宾夕法尼亚大学）；Princeton University（普林斯顿大学）
本文以高斯混合模型为对象，首次从理论上分析扩散引导的作用，证明其在 DDPM 与 DDIM 等采样方案下会提升分类置信度并降低输出分布的微分熵与多样性。
2024-03-03 cs.LG stat.ML
Diffusion models recover accurate mixture weights despite score function insensitivity
University of Chicago（芝加哥大学）；Data Science Institute（数据科学研究所）；Department of Computer Science（计算机科学系）
研究基于得分的生成模型在多模态分布中恢复混合权重的问题，通过定义扩散得分敏感性指数，证明其控制目标分布参数估计准确性，还展示了噪声调度对敏感性及模式放大的影响，此框架可用于恢复目标分布的定性参数。
2026-07-20 cs.LG math.PR stat.ML
Inverse Design of Metamaterials with Manufacturing-Guiding Spectrum-to-Structure Conditional Diffusion Model
The University of Tokyo（东京大学）；Huazhong University of Science and Technology（华中科技大学）；RIKEN Center for Advanced Intelligence Project（日本理化学研究所先进智能项目研究中心）
本文提出基于条件扩散模型的光谱到结构通用逆向设计框架，可生成多样且光谱准确的超材料结构，并通过热伪装自由形式超材料的设计与制造验证其有效性。
2025-06-08 cs.LG physics.optics
Guiding a diffusion model using sliding windows
Heinrich Heine University Düsseldorf（海因里希-海涅大学杜伊斯堡）
本文提出无需训练的 M-SWG，通过选择性限制感受野实现自引导以增强长程依赖，在 ImageNet 上取得更优 IS 和最先进 FDD。
2025-08-29 cs.AI cs.CV cs.LG
End-To-End Learning of Gaussian Mixture Priors for Diffusion Sampler
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（FZI信息技术研究中心）
针对扩散模型在先验与目标分布支撑差异大时面临的探索困难、离散化误差及模式崩溃问题，提出端到端可学习的高斯混合先验（GMPs）及迭代细化策略，无需额外目标评估即可显著提升多基准下的性能。
2025-03-01 cs.AI cs.LG stat.ML
Gradpaint: Gradient-Guided Inpainting with Diffusion Models
Sorbonne Université（索邦大学）
本文提出GradPaint，通过在扩散模型去噪过程中利用自定义一致性损失的梯度引导生成，实现全局连贯的图像修复，并在多个数据集上超越现有监督和无监督方法。
2023-09-18 cs.AI cs.CV cs.LG
Guiding a Diffusion Transformer with the Internal Dynamics of Itself
University of Electronic Science and Technology of China（电子科技大学）；National University of Singapore（新加坡国立大学）；Sun Yat-sen University（中山大学）；North China Institute of Computer Systems Engineering（华北计算机系统工程研究所）
本文提出内部引导策略，通过训练过程中中间层的辅助监督和采样时的中间层输出扩展，提升训练效率和生成质量，在ImageNet上取得显著效果。
2026-03-31 cs.CV cs.LG
Smoothed Energy Guidance: Guiding Diffusion Models with Reduced Energy Curvature of Attention
University of Washington（华盛顿大学）；Korea University（高丽大学）
本文提出平滑能量引导（SEG），一种无需训练和条件的扩散模型引导方法，通过降低自注意力能量景观曲率并引入查询模糊方法，在提升生成质量的同时减少副作用，实现帕累托改进。
2024-10-01 cs.AI cs.CV cs.LG
Diffusion Model Conditioning on Gaussian Mixture Model and Negative Gaussian Mixture Gradient
University of Macau（澳门大学）；Great Bay University（大湾区大学）；Great Bay Institute for Advanced Study（大湾区高等研究院）；University of Science and Technology of China（中国科学技术大学）
本研究提出以高斯混合模型为特征条件的扩散模型条件化机制，证明特征条件隐分布缺陷更少，同时提出负高斯混合梯度函数提升训练稳定性，且其作为代价函数具备与Wasserstein距离相当的优势。
2024-02-01 cs.CV cs.LG
Soft Mixture Denoising: Beyond the Expressive Bottleneck of Diffusion Models
University of Cambridge（剑桥大学）
该研究揭示扩散模型反向去噪的表达瓶颈及无界误差，并提出软混合去噪 SMD，以提升其对高斯混合分布的逼近能力和少迭代去噪性能。
2024-01-18 cs.CV cs.LG
Graph Generation with Diffusion Mixture
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
针对扩散模型无法显式学习图拓扑结构的局限，提出一种以端点为条件的扩散混合生成框架，通过显式学习最终图结构实现最大似然训练，在分子等图生成任务上优于以往模型。
2024-06-02 cs.LG
Unraveling the Smoothness Properties of Diffusion Models: A Gaussian Mixture Perspective
The University of Hong Kong（香港大学）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；The Simons Institute for the Theory of Computing at the University of California, Berkeley（加州大学伯克利分校西蒙斯理论计算研究所）；University of Pennsylvania（宾夕法尼亚大学）
本文从高斯混合分布视角分析了扩散过程的Lipsitz连续性与二阶矩性质，推导了与混合成分数无关的紧上界，并为多种扩散求解器建立了基于总变差距离和KL散度的具体误差保证。
2024-10-14 cs.AI cs.CV cs.LG
Neural Backward Filtering Forward Guiding
Department of Computer Science（计算机科学系）；University of Copenhagen（哥本哈根大学）；Department of Mathematics（数学系）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
本文提出NBFFG框架，通过构建变分后验和神经残差，解决树状非线性连续随机过程的推理问题，实现高效高维推断。
2026-05-08 cs.LG stat.ME stat.ML
Network Inference from a Mixture of Diffusion Models for Fake News Mitigation
University of Southern California（南加州大学）
旨在欺骗人们、影响公众舆论和操纵社会结果的假新闻传播已成为社交媒体上的一个紧迫问题。此外，社交媒体上的信息共享促进了病毒式信息级联的传播。在这项工作中，我们专注于理解和利用虚假和合法内容的传播动态，以促进网络干预，缓解假新闻。我们分析了真实世界的Twitter数据集，包括虚假和真实的新闻级联，以了解关于虚假和真实内容的扩散动态和用户行为的差异。分析的基础上，我们建模的扩散作为一个混合物的独立级联模型（MIC）的参数$θ_T, θ_F$在社会网络图，并获得无监督推理技术的参数估计的扩散混合模型从观察到的，未标记的级联。使用推断的扩散动力学来识别在真实和虚假内容的传播中有影响的用户。识别出的有影响力的用户的特征揭示了为假新闻识别出的有影响力的用户与他们在假新闻级联中的相对出现之间的正相关性。识别出的有影响力的用户倾向于与病毒性信息级联更多的主题相关，而不是病毒性信息级联较少的主题;与真正的新闻有影响力的用户相比，识别出的假新闻有影响力的用户的直接追随者数量相对较少。节点和边缘的干预分析表明，推断的扩散动力学的能力，支持网络干预措施，以减轻。
2020-08-08 cs.LG cs.SI
Mixture of Diffusers for scene composition and high resolution image generation
Instituto de Ingeniería del Conocimiento（知识工程研究所）；Universidad Autónoma de Madrid（马德里自治大学）
扩散方法已被证明是非常有效的生成图像，同时对文本提示条件。然而，尽管生成的图像质量是前所未有的，但这些方法在试图生成特定的图像组合时似乎很困难。在本文中，我们提出了混合扩散器，一种算法，建立在现有的扩散模型，以提供一个更详细的控制组成。通过协调作用于画布不同区域的多个扩散过程，它允许生成更大的图像，其中每个对象和样式的位置由单独的扩散过程控制。
2023-02-05 cs.AI cs.CV cs.LG
Deconvolution of High-Dimensional Mixtures via Boosting, with Application to Diffusion-Weighted MRI of Human Brain
弥散加权磁共振成像（DWI）和纤维束成像是唯一的方法来测量白质的结构，在活的人脑。扩散信号已经被建模为来自穿过白质中每个位置的许多单独神经纤维束的组合贡献。通常，这是通过基追踪来完成的，但是由于离散化，精确方向的估计受到限制。DWI数据建模中固有的困难是由许多其他问题，涉及拟合非参数混合模型共享。Ekanadaham等人提出了一种方法，连续基追踪，以克服1维情况下的离散化误差（例如，尖峰分选）。在这里，我们提出了一个更通用的算法，适合任何维度的混合模型，而无需离散化。我们的算法使用L2-boost的原则，再加上重新调整的权重和修剪的参数。将这些步骤添加到L2-boost中既加速了算法，又确保了其准确性。我们将由此产生的算法称为弹性基追踪（EBP），因为它根据需要扩展和收缩核的活动集。我们表明，与现有的拟合混合物的方法相比，我们的提升框架（1）能够沿着解决方案路径选择最佳偏差-方差权衡，（2）扩展高维问题。在DWI的模拟中，我们发现EBP比非负最小二乘（NNLS）方法或DWI中使用的标准模型（张量模型）（作为扩散张量成像（DTI）的基础）产生更好的参数估计。我们证明了实用的方法在DWI数据中获得的部分大脑包含多个神经纤维束的交叉。
2014-09-26 stat.ML
GeoDirDock: Guiding Docking Along Geodesic Paths
Barcelona Supercomputing Center（巴塞罗那超级计算中心）；Nostrum Biodiscovery S.L.（诺斯特伦生物发现公司）
提出 GeoDirDock，通过在平移、旋转和扭转空间沿测地线路径引导扩散去噪并融入专家知识，提升盲对接的 RMSD 精度与构象物理真实性。
2024-04-09 cs.LG q-bio.BM
Dimension-Free Convergence of Diffusion Models for Approximate Gaussian Mixtures
The Chinese University of Hong Kong（香港中文大学）；University of Michigan（密歇根大学）；University of Pennsylvania（宾夕法尼亚大学）
本文证明扩散模型（DDPM）在采样可由高斯混合模型近似的高维分布时，达到ε精度所需迭代次数与数据维度和分量数无关，仅需O(1/ε)步，且对得分误差鲁棒，揭示了其在高维场景下高效性的理论根源。
2025-04-07 cs.LG cs.NA math.NA
Gaussian Mixture Solvers for Diffusion Models
Beijing Key Laboratory of Big Data Management and Analysis Methods（大数据管理与分析方法北京市重点实验室）；Tsinghua University（清华大学）；Sea AI Lab；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）
针对扩散模型基于 SDE 采样中高斯转移核假设失配导致的效率与效果困境，提出 Gaussian Mixture Solvers，通过前三阶矩和广义矩估计拟合高斯混合核，提升图像生成与笔触合成质量。
2023-11-02 cs.AI cs.CV cs.LG
Learning Mixtures of Gaussians Using Diffusion Models
MIT（麻省理工学院）；JHU（约翰斯·霍普金斯大学）
提出基于扩散模型框架的解析算法，通过推导高斯噪声敏感性界限并利用分段多项式回归学习得分函数，实现了高斯混合及低维流形分布的准多项式时间学习。
2025-03-04 cs.DS cs.LG math.PR
Product of Gaussian Mixture Diffusion Model for non-linear MRI Inversion
Technical University of Graz（格拉茨技术大学）；École polytechnique fédérale de Lausanne（洛桑联邦理工学院）
针对MRI扩散重建模型可解释性差、并行成像计算成本高的问题，提出用可解释的轻量高斯混合扩散模型乘积作图像先验联合重建图像与线圈灵敏度，实现快速推理与鲁棒重建，还可计算后验统计量。
2025-01-15 cs.CV cs.LG eess.IV
A Spatial Bayesian Semiparametric Mixture Model for Positive Definite Matrices with Applications to Diffusion Tensor Imaging
扩散张量成像（DTI）是一种流行的磁共振成像技术，用于表征大脑中的微观结构变化。DTI研究使用估计的3x3对称正定扩散张量矩阵量化体素中水分子的扩散。DTI数据的统计分析具有挑战性，因为数据是正定矩阵。矩阵变量信息通常由单变量（例如分数各向异性（FA））概括，导致信息丢失。此外，DTI分析通常忽略相邻体素的空间关联，这可能导致不精确的估计。虽然空间建模的文献是丰富的，建模空间依赖正定矩阵是具有挑战性的。为了缓解这些问题，我们提出了一个矩阵变量贝叶斯半参数混合模型，其中正定矩阵分布为逆Wishart分布的混合物，混合物成分标签的马尔可夫模型捕获的空间依赖性。共轭和双梅特罗波利斯-黑斯廷斯算法导致快速和优雅的贝叶斯计算。我们的仿真研究表明，所提出的方法是更强大的比非空间的方法。我们还应用所提出的方法来研究可卡因使用对大脑结构的影响。我们的工作的贡献是提供了一个新的统计推断工具的DTI分析扩展空间统计学的矩阵变量数据。
2019-03-18 stat.AP stat.ME
A Versatile Diffusion Transformer with Mixture of Noise Levels for Audiovisual Generation
Seoul National University（首尔国立大学）；Google DeepMind（谷歌DeepMind）；Stanford University（斯坦福大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出噪声水平混合训练法，通过跨时间与模态设置可变扩散时间步，使单个基于 Transformer 的视听潜扩散模型以任务无关方式支持多种视听生成，并在一致性上优于基线。
2024-05-22 cs.CV cs.LG cs.MM
Guiding Audio Editing with Audio Language Model
University of Pennsylvania（宾夕法尼亚大学）
SmartDJ框架利用音频语言模型推理与潜在扩散生成，将高级指令分解为原子操作，实现立体声音频编辑，显著提升感知质量、空间真实感与语义对齐。
2025-09-25 cs.AI cs.LG cs.SD
From Unsupervised to Guided Clustering: A Variational Implementation
Withings；Inria（法国国家信息与自动化研究所）；Université de Lille（里尔大学）；CNRS（法国国家科学研究中心）
本文提出引导聚类方法，通过引入引导变量指导聚类过程，提出GCVAE模型以发现有意义的聚类结构，实验验证其在复杂数据中的有效性。
2026-04-07 stat.ME
Backward Filtering Forward Guiding
提出后向滤波前向导引（BFFG）框架，结合后向信息滤波与前向导引，实现DAG上离散/连续时间随机过程的潜在轨迹平滑推断，适用于标准转移密度不可用场景，并可与MCMC及粒子滤波集成。
2025-05-23 math.PR stat.ME
Automatic Backward Filtering Forward Guiding for Markov processes and graphical models
我们将离散和连续时间马尔可夫过程作为构建块到概率图形模型的潜在和观察变量。我们引入自动后向滤波前向引导（BFFG）范例（Mider等人，2021）用于对潜在状态和模型参数的可编程推断。我们的出发点是一个生成模型，一个概率过程动态的前向描述。我们通过模型反向传播观测提供的信息，将生成（前向）模型转换为由数据指导的预条件模型。它近似于实际的条件模型与已知的似然比之间的两个。后向滤波器和测量的前向改变适合于被并入概率编程上下文中，因为它们可以被公式化为一组变换规则。引导生成模型可以被合并在不同的方法中，以有效地对潜在状态和以观测为条件的参数进行采样。我们在各种设置，包括马尔可夫链与离散状态空间，相互作用的粒子系统，状态空间模型，分支扩散和伽玛过程的适用性。
2022-10-31 stat.CO stat.ME
Predict, Refine, Synthesize: Self-Guiding Diffusion Models for Probabilistic Time Series Forecasting
Technical University of Munich（慕尼黑工业大学）；AWS AI Labs（亚马逊云科技人工智能实验室）
本文提出了无条件训练的扩散模型TSDiff，通过自引导机制在推理时实现下游任务的条件化，在预测、优化和合成数据生成任务中表现出色。
2023-11-22 cs.AI cs.LG stat.ML
Diffusion Bridge Mixture Transports, Schrödinger Bridge Problems and Generative Modeling
Cogent Labs
本文提出迭代扩散桥混合（IDBM）算法求解动态薛定谔桥问题，理论证明其收敛性，并利用其首次迭代作为无近似生成建模方法，实现更灵活、加速训练且样本质量更优的输运。
2023-12-22 cs.LG stat.ML
