通过扩展扩散模型，使用扩散桥模型作为一种自然替代方法，该模型通过从数据中学习扩散桥分数并解决基于这些分数的（随机）微分方程，将一种分布映射到另一种分布，从而实现图像编辑等应用中纳入非随机噪声信息的目标。

Sep, 2023

提出了一种名为 DiffI2I 的简单、高效和强大的 I2I 扩散模型，通过引入紧凑的 I2I 先验提取网络（CPEN），动态 I2I 转换器（DI2Iformer）和去噪网络来解决了传统 DM 在某些 I2I 任务中的效率和生成能力方面的问题。通过在各种 I2I 任务上进行广泛实验证明，DiffI2I 在显著减少计算负担的同时达到了 SOTA 水平。

Aug, 2023

本研究介绍了一种新的无配对数据图像翻译方法 ——Unpaired Neural Schrödinger Bridge (UNSB), 它结合了 Schrödinger Bridge 模型和对抗训练等方法来进行学习，有效解决了高分辨率图像翻译困难的问题。

May, 2023

通过引入腐蚀图像的非马尔科夫过程，将生成过程转化为隐式图像到图像的 Schr"odinger Bridge 过程，提出了一个改进的 I3SB 方法，该方法能够使用少量的生成步骤生成具有更好纹理恢复的图像，并在 CT 超分辨率和去噪任务中验证了其性能优于现有方法，包括条件去噪扩散概率模型 (cDDPM) 和 I2SB，从视觉质量和定量指标上凸显了 I3SB 在改进医学图像恢复方面的潜力。

Mar, 2024

提出一种新颖的无需对抗训练的图像分类方法，该方法使用基于去噪扩散概率模型的单张图像转换方法。我们的方法是通过最小化以另一个域为条件的去噪得分匹配目标来训练生成模型以推断图像的联合分布。我们同时更新域翻译模型，并通过基于 Langevin 动力学的去噪马尔科夫链蒙特卡罗方法来生成目标域图像。该方法在几个公共数据集上实现了最先进的 Frechet Inception Distance（FID）性能，包括彩色和多光谱影像，并明显优于当前的对抗图像转换方法。

Apr, 2021

使用 “桥接扩散模型”（Bridge Diffusion Model）结构提出了一种新方法，通过一种端到端的方式，同时生成能够准确描绘非英语本地语义的图像和与英语本地文语义兼容的图像，并促进文化互动。在将该方法应用于构建中文本地文语言生成的 TTI 模型的验证中，该方法是通用的，适用于任何其他语言。

Sep, 2023

医学图像翻译中，自洽递归扩散桥 (SelfRDB) 通过使用以目标图像为基础、源图像为参照的前向过程，以及噪声调度和采样过程等创新方法，提供了优越的性能。

May, 2024

最近，文字到图像扩散模型成为图像处理领域的一种新范式，包括内容生成、图像恢复和图像到图像的转换。本文提出了一种 Prompt 重新描述策略，以实现扩散模型中源图像和重构图像的镜像效应，从而实现准确的零样本图像翻译。

Jan, 2024

提出了一种新技术，名为双向积分逼近（BDIA），以实现可忽略的计算开销的精确扩散反演。该技术在图像编辑方面具有重要意义，同时还可以改善其他 ODE 求解器的性能。

Jul, 2023

本文介绍了直接扩散桥接算法，提出了数据一致性问题，然后提出了数据一致的直接扩散桥接算法（CDDB），并在感知和失真度量上超越了其不一致的对应方法，实现了超越最优性的帕累托前沿。

May, 2023