介绍 这篇论文解决的是强化学习中一个非常重要但长期被忽视的问题：Q学习算法会系统性地高估动作的真实价值。 强化学习的目标是让智能体通过与环境交互，学习到一个能够最大化累积奖励的策略。Q学习是实现这一目标的核心算法之一，它通过学习每个"状态-动作"对的价值来指导决策。Q-learning算法由Watk
背景问题： 扩散模型：生成质量高，但存在两个缺点：① 缺乏低维、可解释的潜在空间；② 生成速度较慢。 VAE：具有低维潜在空间，可以解释和操控生成，但生成图像质量较差。 因此提出了 DiffuseVAE，将VAE嵌入到扩散模型框架中，并设计了新的条件参数化方法，使扩散模型能够利用VAE推导的低维潜在
