在这项研究中，我们提出了 CommIN，它将从退化重构中恢复高质量源图像视为一个逆问题，并通过结合可逆神经网络（INN）和扩散模型来实现更好的感知质量。通过实验证明，在极端条件下，我们的 CommIN 在感知质量上显著提高，相比 DeepJSCC 在这方面优于其他逆问题方法。

Oct, 2023

提出了一种新颖的图去噪扩散模型，使用氨基酸替代矩阵对扩散过程进行编码，并在多种基准方法中实现了最先进的序列恢复性能，为特定的蛋白质骨架结构生成多样性的蛋白序列具有极大的潜力。

Jun, 2023

本文提出了一种基于去噪扩散概率模型的条件生成模型，通过把一个已知的、可求导的正向模型集成到去噪过程中，实现了间接观测信号的采样， 并在三项具有挑战性的计算机视觉任务中进行了验证。

Jun, 2023

通过使用预训练的扩散模型，我们提出了一种盲图像恢复方法 BIRD，它在优化退化模型参数和恢复图像的同时，通过在数据流形上提出新的采样技术，将图像恢复任务转化为输入噪声空间中的优化问题。实验证明，该方法在多个图像恢复任务上实现了最先进的性能。

May, 2024

使用生成对抗网络 (GAN) 和去噪扩散隐式模型 (DDIM) 的加速迭代扩散反演方法 (AIDI) 在图像编辑任务中取得了更高的重构准确性和更好的稳健性。

Sep, 2023

逆向渲染是从图像中推断场景属性的挑战性逆向问题。我们提出了一种新颖的方案，将预训练于自然照明图上的降噪扩散概率模型与可微分路径追踪器相结合，允许从自然且能解释图像观察的光照和空间变化的表面材料组合中进行采样，以恢复材料并生成高度逼真和多样化的环境贴图样本。

Sep, 2023

InferGrad 是一种基于扩散模型的音码器，其将推断过程融入了训练过程中以减少推断迭代次数，从而提高合成语音的质量，实验表明 InferGrad 在相同条件下比波形梯度（WaveGrad）获得更好的语音质量，并且在保持相同语音质量的同时加速了 3 倍（InferGrad 的 2 次迭代速度比 WaveGrad 的 6 次迭代更快）

Feb, 2022

本文提出了一种新颖的高效端到端扩散压缩感知方法，使用可逆扩散模型（IDM）从压缩测量恢复原始图像，克服了传统学习范式的限制，超过现有先进的压缩感知网络 2.64dB 的 PSNR 增益并实现 14.54 倍的推理加速。

Mar, 2024

使用扩散模型解决逆问题是一个增长迅速的研究领域。我们设计了一种基于期望最大化（EM）估计方法和扩散模型的算法，通过近似计算扩散模型的样本绘制的逆问题的期望对数似然，以及最大化步骤来估计未知的模型参数。我们还引入了一种基于 Plug & Play 去噪器的新型模糊核正则化方法。通过对盲目图像去模糊进行广泛实验证明了我们的方法与其他最先进方法相比的有效性。

Sep, 2023

最近，文本引导的扩散模型取得了强大的图像处理能力。然而，将这些方法应用于真实图像需要将图像反转到预训练的扩散模型的领域中。实现准确的反转仍然是一个挑战，特别是对于训练用于生成具有少量降噪步骤的图像的最新模型。在这项工作中，我们引入了一种具有高质量操作比的反转方法，提高重建准确性而不增加操作次数。我们的方法建立在扩散采样过程的反转基础之上，采用在每个反转采样步骤中进行迭代降噪的机制。该机制通过迭代应用预训练的扩散模型，并对这些预测进行平均，从而改善了沿前向扩散轨迹预测点的逼近性。我们使用各种采样算法和模型对我们的 RenNoise 技术的性能进行评估，并进行全面的评估和比较，展示了其在准确性和速度方面的有效性。此外，我们通过在真实图像上展示基于文本的图像编辑，证实了我们的方法的可编辑性。

Mar, 2024