Trong bài báo này, chúng tôi đề xuất một kỹ thuật chính quy hóa mới, 'Dispersive Loss', để cải thiện hiệu suất của các mô hình sinh dựa trên khuếch tán. Các mô hình khuếch tán hiện tại dựa trên các hàm mục tiêu hồi quy và thiếu chính quy hóa rõ ràng. Dispersive Loss giải quyết vấn đề này bằng cách tạo ra sự phân tán của các biểu diễn nội tại trong không gian ẩn. Nó tương tự như học tương phản, nhưng không yêu cầu các cặp mẫu dương, và do đó không can thiệp vào quá trình lấy mẫu được sử dụng trong hồi quy. So với kỹ thuật căn chỉnh biểu diễn (REPA) hiện có, nó có ưu điểm là không yêu cầu tiền huấn luyện, tham số bổ sung hoặc dữ liệu bên ngoài, và nó vượt trội hơn các mô hình hiệu suất tốt nhất hiện có thông qua các thử nghiệm trên nhiều mô hình khác nhau trên tập dữ liệu ImageNet. Kỹ thuật này được kỳ vọng sẽ góp phần thu hẹp khoảng cách giữa mô hình sinh và học biểu diễn.