我们提出了第一个从嘈杂的训练数据中获得未污染分布样本的扩散模型训练框架，使用了 Tweedie 公式的双重应用和一致性损失函数。我们还通过识别几乎完美重建的极度受损图像来提供扩散模型记忆训练集的进一步证据，引发了版权和隐私问题。我们的训练方法可用于缓解这个问题，并展示了通过对 Stable Diffusion XL 进行微调，使用仅嘈杂样本生成分布样本的能力。我们的框架减少了微调数据集的记忆量，同时保持有竞争力的性能。

Mar, 2024

我们提供了一个用于解决扩散模型的反问题的框架，该框架可以从线性损坏的数据中学习。我们的方法是环境扩散后验采样（A-DPS），利用在一种类型的损坏上进行预训练的生成模型，在来自可能不同的前向过程的测量条件下进行后验采样。我们在标准的自然图像数据集上测试了我们的方法（CelebA、FFHQ 和 AFHQ），并且我们表明 A-DPS 在速度和性能上有时可以超过在干净数据上训练的模型进行几项图像修复任务。我们进一步扩展了环境扩散框架，用访问仅限于傅里叶子采样的多线圈 MRI 测量，加速因子为 2、4、6、8 来训练 MRI 模型。我们再次观察到，在高加速度区间内，与在完全采样数据上训练的模型相比，训练在高度子采样数据上的模型更适用于解决反问题。我们开源了我们的代码和训练的环境扩散 MRI 模型。

Mar, 2024

本文提出了两种高 / 低频鲁棒性混合的专家模型以及一种最小化卷积特征图总变差 (TV) 的正则化方法，成功应用于诸如 ImageNet-C 以及汽车数据集等多种实际环境的图像分类和目标检测任务，同时提升了在受损图像方面的鲁棒性。

Mar, 2021

通过对扩散模型（DMs）预训练数据的综合研究，发现轻微的破坏性改变可以显著提高 DMs 生成图像的质量和多样性，同时介绍了一种简单的方法 —— 条件嵌入扰动（CEP），可大幅改善 DMs 在预训练和后续任务中的性能。

May, 2024

本文提出一种基于期望最大化 (EM) 方法的 EMDiffusion 训练扩散模型的方法以从损坏的观测中恢复图像，通过该方法，我们在各种计算成像任务上进行了广泛实验，包括随机修补、降噪和去模糊，达到了新的最先进性能。

Jul, 2024

定义并推广了一类更广泛的腐败过程，引入 Soft Score Matching 目标函数并证明其可学习任何线性腐败过程的得分函数，从而实现了对一般扩散过程的逆反操作并取得了最新的实验结果。

Sep, 2022

少样本微调的扩散模型存在训练过程中的图像质量退化现象，通过使用贝叶斯神经网络来解决这一问题，可以有效改善生成图像的质量和多样性。

May, 2024

使用 Diffusion-C 方法分析 Diffusion Models 的生成限制，通过对经过各种腐败方式和强度处理的输入视觉数据的使用，阐明了这些 Diffusion Models 的性能特征，并探讨了影响深度学习系统机制的噪声成分的重要性。

Dec, 2023

该研究提出了一种新的训练技术，基于受损数据训练扩散模型并引入 GSURE 损失函数。研究表明，在一定条件下，GSURE 损失函数相当于完全监督扩散模型中使用的训练目标，并可实现与完全监督模型相当的生成性能。

May, 2023

本文研究了扩散模型学习以优化对应丢失函数的加权和（去噪得分匹配损失）来恢复不同噪声水平的嘈杂数据，并提出了恢复受特定噪声水平损坏的数据作为学习丰富视觉概念的适当预先任务的方法，通过重新设计目标函数的加权方案，在训练过程中优先考虑这些噪声水平，我们证明了我们简单的加权方案重构可以显著提高扩散模型的性能。

Apr, 2022