主要观点：扩散模型已成为高维生成的主力，但其生成的结果更注重“看起来真实”，而许多工程和实际任务更关注特定任务的得分或奖励。“扩散精英”方法旨在通过让预训练的扩散模型提供先验，让适应的交叉熵方法（CEM）在其潜在空间内引导搜索，以缩小这一差距。
关键信息：

• 扩散精英算法简单，先从高斯分布中抽取潜在向量，经去噪得到结构化对象，用奖励函数评分，保留精英潜在向量并重新拟合高斯分布迭代。
• 该算法具有并行化、高灵活性奖励（可使用世界模型、模拟器、LLM 等计算奖励，且可并行）、加速（迭代时不必运行太多去噪步骤）、在低维潜在空间搜索高效、留在数据流形内、灵活建模潜在分布等特性。
• 通过实验展示，在简单运动模型生成的轨迹数据集上，用扩散模型进行修复效果不佳，而用扩散精英能快速收敛到接近目标的解，且可在多个领域探索。
  重要细节：
• 算法输入包括固定解码器、奖励函数、种群大小、精英比例、迭代次数等，通过一系列步骤更新均值和方差。
• 代码示例用简单对角高斯拟合算法，可在 PyTorch 中实现。
• 实验中用 1D CNN UNet 训练扩散模型处理音频信号类似的数据，生成随机轨迹数据集，展示扩散修复和扩散精英的效果对比。