扩散概率模型（DPM）在发电任务中取得了显着成功。但是，他们的培训和抽样过程遇到了分配不匹配的问题。在降级过程中，培训和推理阶段之间的输入数据分布有所不同，可能导致数据生成不准确。为了消除这一点，我们分析了DPM的训练目标，并在看来可以通过分布强劲的优化（DRO）来缓解这种不匹配，这等同于在DPMS上进行稳健性驱动的对抗性训练（在）。此外，对于最近提出的一致性模型（CM），它提炼了DPM的推理过程，我们证明其训练目标还遇到了不匹配问题。幸运的是，此问题也可以通过AT减轻。基于这些见解，我们建议在DPM和CM上进行有效的效率。最后，广泛的经验研究验证了基于扩散模型的AT有效性。代码可在https://github.com/kugwzk/at_diff上找到。