1.华南理工大学何祺

华南理工大学的研究，也提出扩散模型预测数据比预测噪声更优并从底层数学原理得出：扩散模型生成图像的过程本质上是一个逆向降低条件熵的信息恢复过程，EVODiff算法通过优化条件方差实现了推断效率与质量的双重飞跃。

撞车何恺明团队！华南理工顶会NeurIPS论文以预测数据和方差优化让扩散模型更强更快（插图

2.何应凯华南理工大学

这篇发表在顶会 NeurIPS 2025 上的研究，揭示了扩散模型（Diffusion Models）推断过程中一个长期被忽视的物理本质：去噪不仅仅是求解微分方程，更是一个系统性降低不确定性的信息传输过程。

3.何昕蔓 华南理工

研究不满足于仅仅在数值上逼近预定义的轨迹，而是建立了一套全新的信息论框架，证明了最小化逆向转换中的条件方差可以直接降低条件熵基于这一理论，研究团队提出了一种无需参考轨迹的方差优化推断算法，在计算成本不增加的前提下，让生成图像的保真度在极低步数下获得了突破性提升，例如在 CIFAR-10 数据集上将 10 步推断的 FID 分数从 5.10 压低至 2.78。

4.华南理工何琼简历

信息论视角的引入扩散模型在图像合成、视频生成等领域展现了惊人的创造力，但其缓慢的迭代过程始终是落地的痛点为了加速这一过程，学术界此前的主流方向是将去噪过程建模为常微分方程（ODE）或随机微分方程（SDE）的求解问题。

5.华南理工大学何明辉

诸如 PNDM、DPM-Solver、UniPC

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。