تنشئ النماذج القائمة على التصنيف العينات من خلال تحويل الضوضاء إلى بيانات (وعكس ذلك) عبر عملية انتشار عالية الأبعاد. ونطرح سؤالًا حول ما إذا كان من الضروري تشغيل هذه العملية بالكامل بمستوى عالي من الأبعاد، مع تحمل جميع العوائق المرتبطة بذلك. بدلًا من ذلك، نحدّد عملية الانتشار من خلال عمليات التProjected على فضاءات فرعية أثناء تحوّل توزيع البيانات نحو الضوضاء. عند تطبيق إطارنا على النماذج الرائدة، يُحسّن هذا الإطار جودة العينات بشكل متزامن — حيث يصل إلى مؤشر FID قدره 2.17 على مجموعة CIFAR-10 غير المشروطة — ويقلل من التكلفة الحسابية لاستخلاص النتائج (inference) بنفس عدد خطوات إزالة الضوضاء. ويتميز إطارنا بالتوافق الكامل مع عمليات الانتشار الزمنية المستمرة، ويحافظ على قدراته المرنة، بما في ذلك الاحتمالات اللوغاريتمية الدقيقة وإمكانية التحكم في عملية التوليد. يُمكن الوصول إلى الشفرة المصدرية من خلال الرابط التالي: https://github.com/bjing2016/subspace-diffusion.