A RESEARCH READING MAP · OCT 2026

概率生成模型
论文与学习资源

面向学生与研究者的概率生成模型文献索引,当前重点收录扩散模型与 Flow Matching。 按研究问题分类,并以首次公开时间追踪进展。

CORE READING PATH

核心论文
阅读路径

12 篇论文覆盖 diffusion、score/SDE、引导、潜空间、Flow Matching 与 Rectified Flow。建议按编号阅读,再进入专题分支。

READING LEVELS

必读建立主干;推荐补齐方法;前沿追踪新进展;背景提供统一视角。

完成主干后,进入完整论文库 127 papers→

LATEST VERIFIED

最近收录

按论文首次公开日期排序,而不是最新版提交日期;自动发现只生成候选,人工核对后才进入论文库。

METHOD MAP

核心方法
分类地图

主地图按研究问题组织:训练什么、怎样采样、如何控制、在哪个空间生成,以及怎样从随机扩散连接到确定性传输。

FULL LIBRARY

完整论文库

按标题、作者或标签搜索;按 12 个研究方向、阅读层级与首次公开时间筛选。每条记录均链接到论文一手页面。

127 篇论文

2026arXiv
架构与规模化前沿arXiv:2611.22962

Hierarchical Diffusion Transformer for End-to-End Image Generation

Xiaoyu Wu, Yifei Wang, Weihang Guo, Chen Wei +3

为什么读在像素空间扩散模型内部学习层级表示,通过分组、压缩计算与解组恢复图像特征,并以批次级压缩预算允许分组随图像内容和扩散时刻变化。适合与 DiT、JiT 和 H-Net 对照,理解无需独立预训练视觉编码器时,视觉层级与自适应计算如何影响生成质量和训练效率;文生图扩展还展示了无区域标注的图文语义关联。

HiTpixel-space diffusion 像素空间扩散hierarchical Transformer 层级架构dynamic token grouping 动态分组
↗
2026arXiv
蒸馏与少步生成前沿arXiv:2610.20331

Are We Overthinking One-Step Generation?

Woobin Park, Jaeyeon Kim, Yilun Du, Sitan Chen +1

为什么读Priming Models 先用固定噪声级别的重建目标预训练,再进行特征空间中的分布匹配后训练。它为比较单步生成方法的训练复杂度与生成质量提供了一条简洁路线,可与扩散蒸馏、Consistency 和 MeanFlow 对照阅读。

Priming Modelsone-step generationreconstruction pretrainingdistribution matching
↗
2026arXiv
蒸馏与少步生成前沿arXiv:2610.18472

Simplifying and Improving On-Policy Distillation for Few-Step Diffusion

Jiawei Zhang, Ziyu Wan, Nanye Ma, Long Zhao +4

为什么读SMD 以 on-policy 速度回归进行少步蒸馏,用仅训练时使用的 Pivot 残差代理分离局部速度变化与区间平均预测,不增加部署模型。适合与 DMD、Consistency 和 MeanFlow 对照,理解回归式蒸馏如何简化训练并支持 4-NFE 生成。

Simplified Matching Distillation (SMD)on-policy distillationfew-step generationvelocity regression
↗
2026arXiv
理论分析与评测前沿arXiv:2610.13614

Some remarks on the connection between generative diffusion and optimal transport

Giulio Biroli, Marc Mézard

为什么读将数据与 OU 加噪变量的耦合联系到熵正则最优传输,比较扩散、流匹配和 OT 的模态分化机制,并给出反向 score 动力学的变分原理,是连接生成模型、最优传输与统计物理的理论读物。

optimal transportentropic regularizationspeciation transitionstatistical physics
↗
2026arXiv
蒸馏与少步生成前沿arXiv:2610.12102

Few-Step Generation via Data-Space Iteration

Shanchuan Lin, Yansong Peng, Fu-Yun Wang, Haoqi Fan

为什么读把少步生成从固定噪声时间网格改写为数据空间中的自我细化,在几乎不改动 DMD 的前提下去掉 schedule search;是比较 flow-space iteration 与迭代精炼路径的一条清晰新基线。

few-step generationdata-space iterationdistribution matching distillationflow matching
↗
2026arXiv
架构与规模化前沿arXiv:2610.06545

Empirical Variational Autoencoder

Kaede Shiohara

为什么读以仅增加一层线性预测头的方式,让 VAE 从训练数据学习自回归潜变量先验,缓解先验—后验分布缺口;它以非量化、非迭代的祖先采样挑战 AR-Diffusion,是理解生成质量与推理速度权衡的一条有趣替代路线。

variational autoencoderempirical latent priorautoregressive generationdiffusion alternative
↗
2026arXiv
视频、音频、三维与科学前沿arXiv:2610.05998

Langevin Flow Maps: Efficient Molecular Dynamics and Transition Path Sampling

Sam McCallum, Niklas Rindtorff, Alexander Tong, James Foster

为什么读将机器学习力场扩展为可学习的 Langevin 随机积分器,以大时间步推进分子动力学,并考察动力学性质的准确性与跨分子迁移。适合研究 flow maps 在科学模拟中的应用,以及加速采样与保持物理动力学之间的取舍。

flow mapsmolecular dynamicsLangevin dynamicstransition path sampling
↗
2026arXiv
理论分析与评测前沿arXiv:2609.35377

First Learn, Then Memorize: The Spectral Bias of Diffusion Models

Raphaël Urfin, Tony Bonnaire, Giulio Biroli, Marc Mézard

为什么读从噪声训练样本上的 NTK Gram 谱解释扩散模型为何先学习分布结构、后记忆单个样本,并给出抑制记忆的谱正则化线索。

spectral biasgeneralizationmemorizationneural tangent kernel
↗
2026arXiv
流匹配与矫正流前沿arXiv:2609.11801

Thinking with Looped Flows

Ayhan Suleymanzade, Chanhyuk Lee, Floor Eijkelboom, Nicholas M. Boffi +2

为什么读以逐步降噪的局部目标训练带循环状态的概率流,使模型无需长程反向传播也能积累推理计算,并通过更细时间网格实现推理时扩展与多解生成。

looped modelsprobability flowrecurrent reasoninginference-time scaling
↗
2026arXiv
条件引导与可控生成前沿arXiv:2609.05727

Newton Matching for Generative Modeling: A Unified Framework for Fine-Tuning and Sampling

Zeyang Li, Yunan Wang, Paolo Giaretta, Navid Azizan

为什么读以 Fisher–Rao 几何统一扩散与流模型的奖励微调和未归一化密度采样,将模型更新解释为规范模型流形上的 Newton 迭代,并在给定假设下分析理想迭代的收敛性。适合与 Adjoint Matching 对照,理解不同回归目标的分布含义及近似是否保留目标分布。

Newton Matchingreward fine-tuning 奖励微调sampling 采样Fisher–Rao geometry 信息几何
↗
2026arXiv
流匹配与矫正流前沿arXiv:2608.01692

Beckmann Transport Models: From Autonomous Flows to One-Step Maps

Lee Cheuk-Kit, Florentin Coeurdoux, Yuyuan Chen, Sophia Tang +4

为什么读以时间无关速度场连接分布,并从 Beckmann 输运的通量约束推导可直接学习的单步生成映射,统一 autonomous flow、Poisson flow 与 equilibrium matching。

autonomous flowBeckmann transportflow matchingone-step generation
↗
2026arXiv
流匹配与矫正流前沿arXiv:2606.01086

Strong Stochastic Flow Maps

Sam McCallum, Zander W. Blasingame, Timothy Herschell, Niklas Rindtorff +2

为什么读将确定性 flow map 推广到加性噪声 SDE 的强解映射,为扩散模型提供保留随机路径信息的 simulation-free 训练与少步采样框架。

flow mapsSDEstrong convergencesimulation-free training
↗
2026NeurIPS 2026
架构与规模化前沿arXiv:2605.19376

Generative Recursive Reasoning

Junyeob Baek, Mingyu Jo, Minsu Kim, Mengye Ren +2

为什么读GRAM 将确定性的递归推理改写为随机潜变量轨迹,用摊销变分推断训练,并沿递归深度与并行轨迹数量两个方向扩展推理计算。它兼顾条件推理与无条件生成,属于概率潜变量生成架构而非扩散语言模型,可与 Thinking with Looped Flows 对照阅读。

GRAMrecursive reasoninglatent-variable modelinference-time scaling
↗

LEARNING RESOURCES

学习资源

专著用于系统建构,课程与教程帮助补齐推导,博客建立直觉,代码用于复现。资源与论文分别统计,并优先链接作者、课程或出版社的一手页面。

QUICK START

快速入门

Lilian Weng → MIT OCW → Annotated Diffusion

SYSTEMATIC STUDY

系统学习

MIT 6.S184 → The Principles of Diffusion Models

THEORY

理论进阶

Yang Song → Score / SDE 论文 → Max Welling 等专著

13 项学习资源

04Blog · 长文

快速入门 · Lil'Log · Blog

What are Diffusion Models?

Lilian Weng

以清晰的推导串联扩散过程、去噪目标、条件生成与加速采样,适合作为进入论文主线前的第一篇概览。

DDPMDenoisingGuidanceSampling
06Course · 课程

系统课程 · MIT 6.S184 · Course

Introduction to Flow Matching and Diffusion Models

Peter Holderrieth, Ezra Erives

系统覆盖概率路径、Flow Matching、扩散模型、采样与现代生成模型实践;适合配合核心论文路径按周学习。

Flow MatchingDiffusionProbability PathsLectures
07Tutorial · 教程

快速入门 · MIT OCW · Video tutorial

Diffusion and Score-Based Generative Models

Yang Song, MIT OpenCourseWare

面向初学者的视频教程,从生成建模问题出发解释扩散与 score-based 方法的核心直觉。

VideoScore ModelsDiffusionIntroduction
09Tutorial · 教程

快速入门 · Hugging Face · Tutorial

The Annotated Diffusion Model

Niels Rogge, Kashif Rasul

用带注释的 PyTorch 实现逐步拆解 DDPM,帮助读者把论文公式对应到可运行的训练与采样代码。

PyTorchDDPMImplementationU-Net
10Tutorial · 教程

系统学习 · arXiv:2412.06264 · Guide

Flow Matching Guide and Code

Yaron Lipman, Marton Havasi, Peter Holderrieth, Neta Shaul, Matt Le +5

从连续归一化流、条件概率路径到训练与采样,给出 Flow Matching 的完整推导和配套实现。

Flow MatchingCNFProbability PathsCode
11Tutorial · 教程

快速入门 · arXiv:2406.08929 · Tutorial

Step-by-Step Diffusion: An Elementary Tutorial

Preetum Nakkiran, Arwen Bradley, Hattie Zhou, Madhu Advani

以逐步推导和基础概率知识解释扩散模型,适合需要先补齐数学细节再进入原始论文的读者。

ElementaryDerivationDDPMFoundations
12Tutorial · 教程

系统学习 · CVPR 2026 · Tutorial

The Principles of Diffusion Models: Real-Time Continuous & Discrete Diffusion

Chieh-Hsin Lai, Subham Sahoo, Dongjun Kim, Yang Song, Yuki Mitsufuji +1

面向连续与离散扩散的快速生成教程,系统讲解 ODE 采样、少步蒸馏、Consistency 与 Flow Map 方法、离散一致性蒸馏,以及支持少步生成和推理时扩展的采样器,并配有实践演示。

Continuous DiffusionDiscrete DiffusionFew-Step GenerationFlow Maps
13Code & Lab · 代码

代码实践 · facebookresearch · GitHub

Flow Matching

Meta FAIR

模块化的 Flow Matching Python 工具箱,包含概率路径、solver、loss 与示例,适合复现概念并搭建研究原型。

PythonReference ImplementationSolversResearch Code

MAINTENANCE

论文收录与
更新机制

发现候选

每周检索

GitHub Actions 定期检索 diffusion model、score-based model、flow matching、rectified flow 等 arXiv 关键词。

确认内容

人工审核

自动化只创建候选 issue;相关性、主分类、阅读层级与元数据由实验室成员确认。

发布记录

校验上线

数据校验、重复检查与构建通过后,GitHub Pages 自动更新;发布日期统一使用 first-posted。

SOURCES & CREDIT

资料来源与
引用说明