在本研究中，我们开发了一种降维技术，以加速合成数据生成背景下的扩散模型推理。其思路是将压缩感知集成到扩散模型（CSDM）中。首先，我们将数据压缩到潜在空间，并在潜在空间中训练扩散模型。接下来，我们使用压缩感知算法将生成的样本从潜在空间解码回原始空间。目标是提高模型训练和推理的效率。通过做出特定的数据稀疏性假设，所提出的方法通过将扩散模型推理与稀疏恢复相结合，实现了经过验证的更快收敛速度。它还提供了有关潜在空间维度最佳选择的见解。为了证明该方法的有效性，我们对各种数据集进行了数值实验，包括手写数字、医学和气候图像以及用于压力测试的金融时间序列数据。
