探索了针对盲目图像质量评估 (BIQA) 的扩散模型的感知特征扩散图像质量评估 (PFD-IQA) 方法，提出了一个感知先验发现和聚合模块和一个基于感知先验的特征细化策略来消除质量感知特征中的噪声，该方法在八个标准 BIQA 数据集上进行的实验证明其优于现有方法，达到了 0.935 和 0.922 的 PLCC 值。

Jan, 2024

该研究旨在提高现有面部图像质量评估（FIQA）技术的性能与稳定性以适用于真实世界场景。采用基于监督质量标签优化的方法，结合特定的面部识别模型（ArcFace，ElasticFace，CurricularFace），在五个常用基准测试数据集上，对六种最新的 FIQA 方法（CR-FIQA，FaceQAN，SER-FIQ，PCNet，MagFace，SDD-FIQA）进行了全面的实验评估，取得了令人鼓舞的结果。

May, 2023

基于扩散先验的盲目图像质量评估（DP-IQA）方法利用预训练扩散模型的先验知识，通过提取多级特征和解码来估计图像质量得分，实验结果表明我们的方法在各种自然图像数据集上取得了最先进的结果，并展示了我们方法在全局建模和利用扩散的层次特征线索评估图像质量方面的优越性。

May, 2024

通过理解可学习的质量感知文本提示与图像之间的对齐程度，我们利用潜在扩散模型的降噪过程对广义图像质量评估进行了改进。

Jun, 2024

通过评估现有度量标准并开发一种新的面部评分指标（Face Score），本研究提出了一种改进扩散模型以提高生成图像质量的方法。引入指导损失函数用于微调预训练的扩散模型，实验证实了该方法在提高面部质量的同时保持了其一般能力。

Jun, 2024

通过对 DDPM 模型进行简单修改，可以在保持高质量样本的同时达到具有竞争力的对数似然值，并学习反向扩散过程的方差，从而使用数量级更少的正向传递采样。使用精度和召回率比较 DDPM 和 GAN 模型的性能，并证明这些模型的样本质量和似然值可以与模型容量和训练计算平稳地提高。

Feb, 2021

该研究探索了使用去噪扩散概率模型（DDPMs）生成合成指纹图像。相对于收集真实生物识别数据所面临的隐私和多样性数据需求困难，本研究旨在提出 DDPMs 作为一种既真实又多样的合成生物识别替代方案。结果显示，DiffFinger 不仅在质量上能与真实训练集数据相媲美，还提供了更丰富的生物识别数据，反映出真实生活中的变异。这些发现标志着生物识别合成领域的一个重要进展，并展示了 DDPMs 在指纹识别和认证系统领域的潜力。

Mar, 2024

使用扩散模型进行无参考图像质量评估的研究，开发了新的扩散恢复网络以及两个视觉评估分支，实验证明该模型在无参考图像质量评估中优于现有方法。

Feb, 2024

本研究探讨了单图 Deepfake 检测器对最新生成方法之一，去噪扩散模型（DDM）的攻击的脆弱性，并在 FaceForensics ++ 数据集上进行了测试，结果表明单个去噪扩散步骤可以显著降低所有经过测试检测器的准确性而不引入明显的视觉变化

Jul, 2023

Fast-DDPM 是一种简单而有效的方法，可同时提高训练速度、采样速度和生成质量，通过仅使用 10 个时间步进行训练和采样，相比 DDPM，Fast-DDPM 能够在医学图像生成任务中优于基于卷积网络和生成对抗网络的当前最先进方法，并将训练时间缩短了 5 倍，采样时间缩短了 100 倍。

May, 2024