Дослідження · 12 березня 2015 р.
Описано генеративний процес зашумлення й відновлення.
Ця робота запропонувала імовірнісний шлях генерації даних через повторне відновлення.
Ця рання стаття є передумовою, а не заявою про кожен пізніший генератор зображень.
arXiv · Опубліковано 12 березня 2015 р.
Обидва записи про породжувальні моделі зображень; та стаття — попередня робота галузі, а не основа саме цієї моделі.
Обидві роботи описують генерацію зображень навчанням на даних; механізми навчання різні.
Той самий хід: породжувальна модель із явним імовірнісним обґрунтуванням.
Auto-Encoding Variational BayesМодель належить до дифузійної родини.
High-Resolution Image Synthesis with Latent Diffusion ModelsВідео породжується тим самим процесом поступового усунення шуму.
Sora: Creating video from textСтруктуру породжує дифузійний модуль замість колишнього геометричного блока.
Accurate structure prediction of biomolecular interactions with AlphaFold 3Породження зображення кадр за кадром, але кожен наступний залежить від дії глядача.
Обидві відзначені статті працюють усередині цього сімейства: одна про порядок у дифузійних мовних моделях, друга про точність вибірки з дифузійних моделей.
Announcing the ICML 2026 AwardsТа сама пряма й зворотна дифузія, описана 2015 року; ця стаття будує на ній навчання за зваженою варіаційною межею.
Denoising Diffusion Probabilistic Models