概念
别名：扩散模型
一类基于随机微分方程（SDE）的生成模型，通过逐步去噪从噪声分布生成数据。
已跟踪 3 条高相关材料
最近变化
2026-05-26 · 提出三种可解析求解的wavelet-based score模型：独立基线、带通（band-tide）、局部耦合模型
为什么值得关注
Diffusion Models 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Diffusion Models for Video Generation
Lil'Log · 8.5 分
文章深入解析了扩散模型在视频生成中的应用，探讨了其核心机制、架构设计和最新进展。
Where the Score Lives: What Wavelets Reveal About Diffusion Models
Microsoft Research · 7.8 分
波函数（wavelet）参数化可解释地建模扩散模型的得分函数（score），揭示局部交互对去噪性能影响最强，且在高分辨率下波函数优势显著；该框架非为超越训练模型，而是作为理论探针理解泛化机制。
Continuous Latent Diffusion Language Model paper: https://t.co/qgUyX7D1Mr
AK(@_akhaliq) · 7.2 分
Continuous Latent Diffusion Language Model（CLDLM）通过连续潜在空间建模，实现了更高效的语言生成与推理，相比传统离散扩散模型在生成质量与速度上均有显著提升，尤其适用于高分辨率文本生成任务。
已收录 3 条与 Diffusion Models 相关的内容，按评分排序。
The article provides an in-depth analysis of diffusion models in video generation, exploring their core mechanisms, architecture design, and recent developments.
入选理由：视频生成比图像生成更复杂，需要更强的时间一致性
A wavelet-based interpretable parameterization of the score function reveals that local interactions most strongly impact denoising performance, and wavelets yield greater gains at higher resolutions; this framework serves as a theoretical probe—not a replacement—for trained models.
入选理由：提出三种可解析求解的wavelet-based score模型：独立基线、带通（band-tide）、局部耦合模型
CLDLM leverages continuous latent space modeling to significantly improve generation speed and quality, ideal for high-resolution text generation tasks.
入选理由：CLDLM 使用连续潜在变量，使语言生成过程更平滑，减少离散化误差。
