通过使用新的采样策略 Come-Closer-Diffuse-Faster (CCDF) 和现有的前馈神经网络方法相结合，本文在超分辨率、图像修补和压缩感知MRI等三个领域取得了最优的重建性能。

Dec, 2021

本文结合传统的基于模型的迭代重建方法和现代扩散模型，提出了一种高度有效的方法来解决3D医学图像重建任务，包括稀疏视图断层扫描、有限角度断层扫描、预训练2D扩散模型压缩感知MRI等。我们在测试时提出了2D扩散先验的增强模型先验，从而实现了所有维度上的一致重建。该方法可以在单个普通GPU上运行，并且在最极端情况下（例如2视的3D断层扫描）表现出高保真度和准确度的重建。我们进一步揭示了该方法的泛化能力出乎意料地高，并且可以用于重建与训练数据集完全不同的体积。

Nov, 2022

本文提出一种基于变分法的正则化方法 RED-Diff 来解决扩散模型后验分布不可计算的问题，通过在不同时间步引入不同的去噪器来实现对图像结构的约束，进而提高扩散模型在图像修复等领域的应用性能。

May, 2023

我们提出了第一个框架，利用预先训练好的潜在扩散模型来解决线性反问题。在理论和实验分析中，我们都展现出在各种问题中都优于先前提出的后验采样算法，包括随机修补、块修补、去噪、去模糊处理、去除条纹和超分辨率。

Jul, 2023

我们提出了一种名为“严重性编码”的新方法，通过在自编码器的潜在空间中估计噪声、退化信号的退化严重程度，从而在样本自适应推断时间、重建问题的难度上取得了显著性进展。同时，利用潜在扩散模型基于预测的退化严重程度来调整反向扩散采样轨迹，从而在维持与观测一致性的同时实现样本自适应的推断时间，与现有扩散法技术相比，我们的技术在计算效率方面有明显提升。

Sep, 2023

我们提出了一种使用文本到图像潜在扩散模型作为通用先验来解决图像逆问题的新方法。我们引入了一种 prompt 调整方法，通过在运行反向扩散过程时动态优化文本嵌入，使得我们能够生成更符合扩散先验的图像。此外，我们提出了一种投影方法，以保持潜在变量在编码器的范围空间内的演化，从而有助于减少图像伪影问题。我们的综合方法 P2L 在各种任务（如超分辨率、去模糊和修复缺失部分）上优于基于图像和潜在扩散模型的逆问题求解器。

Oct, 2023

提出了一种新颖的基于扩散的图像恢复求解器，通过解耦逆向过程和数据一致性步骤来解决扩散模型中额外梯度步骤引起的计算负担和问题，通过整合一致性模型减少采样步骤的必要性，从而在各种图像恢复任务中展现出高效的问题解决能力。

Mar, 2024

通过深度学习模型，在扩散模型中使用深度数据一致性更新数据一致性步骤，以解决逆问题的研究论文。DDC方法在线性和非线性任务中表现出卓越的性能，在仅使用5个推理步骤的情况下，平均0.77秒生成高质量解决方案，并且具有对于数据集的稳健性和解决多个任务的能力。

May, 2024

本研究解决了现有扩散模型在图像恢复中的近似似然函数不足和计算效率低的问题。我们提出了一种统一的似然近似方法，通过引入协方差修正项来提高性能，并有效避免了在扩散模型中传播梯度。研究发现，该方法在真实自然图像数据集上的表现优于现有方案，显著改善了向真实数据后验的收敛性。

Sep, 2024

本研究解决了扩散模型在逆问题应用中的信息不足，提供了无监督先验的有效性综述。通过对现有方法的分类和比较，揭示了不同技术之间的联系，并讨论了使用潜在扩散模型面临的挑战与解决方案。这项工作为扩散模型与逆问题的结合提供了宝贵的参考资源。

Sep, 2024