概念score function / 得分函数
分数函数
数据分布对数密度的梯度，即∇_x log p(x)，是扩散模型去噪过程的核心，实践中通过神经网络（分数网络）近似学习，训练目标为最小化预测分数与真实分数之间的均方误差
核心事实
时间轴 (近 90 天)
10月14日
目标分数恒等式将分数函数表示为当前模型预测与未归一化密度梯度之间的自洽关系，使得无需外部训练数据即可构造训练目标。
待验证50%
10月14日
S³-PnP 中学到的分数函数用于修正解析先验更新的输入，将观测驱动的修正项与解析正则化相结合，使先验从当前观测和 ADMM 迭代过程中自然涌现，而非外部借入。
待验证50%
10月14日
扩散模型通过训练网络逼近各噪声水平下的分数函数 ∇_x log p_σ(x) 来实现生成与去噪。
待验证50%
10月12日
Hyvärinen 得分定义为密度对数对输入的梯度 ∇_x log p(x)，不依赖于归一化常数。
待验证50%
全部知识事实 (5)
已验证
扩散模型反向过程的核心驱动力是Score函数，即对数密度梯度∇x log p(x)，指向概率密度增大最快的方向
75%待验证目标分数恒等式将分数函数表示为当前模型预测与未归一化密度梯度之间的自洽关系，使得无需外部训练数据即可构造训练目标。
50%待验证S³-PnP 中学到的分数函数用于修正解析先验更新的输入，将观测驱动的修正项与解析正则化相结合，使先验从当前观测和 ADMM 迭代过程中自然涌现，而非外部借入。
50%待验证扩散模型通过训练网络逼近各噪声水平下的分数函数 ∇_x log p_σ(x) 来实现生成与去噪。
50%待验证Hyvärinen 得分定义为密度对数对输入的梯度 ∇_x log p(x)，不依赖于归一化常数。
50%