Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine

Este artículo ofrece una explicación teórica sobre la eficiencia de los modelos de difusión al aprender la función de score para datos de alta dimensión en variedades de baja dimensión. Identifica un mecanismo de "colapso y refinamiento" impulsado por la geometría de la función de score, donde el mapa de eliminación de ruido se proyecta en la variedad de datos y refina la densidad intrínseca.