我们从迭代高斯后验推断中推导出一种新颖的生成模型。通过将生成的样本视为一个未知变量，我们得以用贝叶斯概率的语言来表述采样过程。该模型通过一系列预测与后验更新步骤，从一个宽泛的初始信念出发，迭代地缩小对未知样本的估计范围。除了提供严谨的理论分析外，我们还建立了该模型与扩散模型之间的联系，并证明其包含了贝叶斯流网络（Bayesian Flow Networks, BFNs）作为特例。在实验中，我们在 ImageNet32 上验证了该模型在样本质量方面优于 BFNs 以及相关联的变分扩散模型（Variational Diffusion Models），同时在 ImageNet32 和 CIFAR10 上实现了相当的对数似然性能。代码已开源，详见：https://github.com/martenlienen/bsi。