现有大规模扩散模型受限于生成 1K 分辨率图像，本文提出基于渐进方法的创新研究，在不增加额外训练成本的情况下，利用低分辨率图像辅助生成高分辨率图像，实现了对生成模型超越原有能力的探索和验证。

Jun, 2024

本文提出了一种通过使用流形引导来减轻扩散模型中数据偏置的方法，该方法可以在不改变模型架构或需要标签或重新训练的情况下，改善生成图像的品质和无偏性。

Jul, 2023

本文研究了图像扩散模型，如 DALL-E 2，Imagen 和 Stable Diffusion，发现它们从训练数据中记忆单个图像并在生成时发射此类图像，总结了此类模型的隐私风险和影响隐私保护培训的新进展。

Jan, 2023

本论文探讨用扩散模型生成少数族裔样本的问题，提出了一种新的框架来引导扩散模型的生成过程，侧重于生成低密度区域上的少数族裔样本。实验结果表明，与标准扩散采样器相比，我们的少数族裔引导技术可以极大地提高生成低概率少数族裔样本的能力。

Jan, 2023

通过扩散模型和分类器引导，我们的图像合成方法在 FID 指标以及覆盖分布方面优于现有的生成模型，我们的代码开源。

May, 2021

通过将扩散模型推广到旋转坐标系并引入模糊扩散，本文提出了一种新的粗到细的图像生成过程，以此来考虑图像中不同频率的相对重要性，实验结果表明此方法在 LSUN 卧室和教堂数据集上的成果优于之前的方法。

Jul, 2022

DistDiff 是一种基于分布感知扩散模型的有效数据扩充框架，通过构建分层原型来逼近真实数据分布，优化扩散模型中的潜在数据点，实现生成与目标分布一致的样本，从而在数据扩充任务中取得显著的改进。

Mar, 2024

通过结合 k - 空间数据和扩散过程的特性，本研究提出了一种新的方案，利用不同策略挖掘多频先验，并保留重建图像中细节纹理，同时通过高频先验提取器更快地收敛扩散过程，从而提高了 MRI 重建的准确性和采样过程的加速性。实验结果验证了该方法成功地获得了更准确的重建并超越了现有方法。

Sep, 2023

通过提出一种新颖的去随机扩散过程，我们加速了离散扩散模型的算法；我们还引入了一种连续时间采样算法，能够比有限步长的离散时间采样算法提供更好的样本质量。大量实验表明，在自然语言生成和机器翻译任务中，我们的方法在离散扩散模型的生成速度和样本质量方面表现出优越性。

Dec, 2023

通过在采样过程中添加单个项，不需要额外的训练或依赖外部模型，我们提出了升采样引导技术，将预先训练的扩散模型（如 $512^2$）适应于生成更高分辨率的图像（如 $1536^2$）。我们发现合适的引导尺度选择可以改善图像质量、保真度和快速对齐。

Apr, 2024