在计算机视觉中，把伪装目标检测（Camouflaged Object Detection，COD）视为基于扩散模型的条件掩蔽生成任务，提出了一种名为 CamoDiffusion 的方法，它使用扩散模型的去噪过程来迭代地减少掩蔽的噪声，其随机采样的过程使得其模型能够从掩蔽分布中采样多个可能的预测，避免了过分预测错误的问题，该文的实验表明，与现有最先进的方法相比，在三个 COD 数据集上，特别是在最具挑战性的 COD10K 数据集上，我们的方法达到了 0.019 的 MAE（平均绝对误差），表现出优越的性能。

May, 2023

该论文提出了一种基于 AI-Generated Content 的 CamDiff 方法，利用 latent diffusion model 综合伪装场景中的显著物体来生成更具有代表性的伪装样本，其结果表明，该方法能够吸引用户的关注并对现有的 COD 模型提出更大的挑战。

Apr, 2023

DiffusionDet 是一种将对象检测作为从噪声框到对象框的去噪扩散过程的新框架，其在训练阶段通过对象框从地面实况框扩散到随机分布，模型学习将该过程反转，在推断阶段，模型以渐进方式将一组随机生成框细化为输出结果，使用随机框作为对象候选框有利于解决对象检测问题，并且该问题可以通过生成方法来解决。

Nov, 2022

本文提出了一种基于人眼视觉感知的三阶段模型，它可以在单次迭代中进行粗到细的分割，并采用了多尺度特征增强和边界增强模块。此外，还使用了掩码引导并结合了粗略预测图与高分辨率特征图来生成细致的结果。我们的网络表现优于现有 CNN 模型，降低了计算开销并减轻了背景噪声干扰。

May, 2023

本文中，我们提出了使用最近发展的去噪扩散生成模型建模的掩模先验来提高现有判别方法的语义分割质量。我们发现简单的集成扩散模型到语义分割中是不够的，并且一次差的扩散过程设计可能导致分割性能下降。我们通过多个实验表明，我们的方法在 ADE20K 和 Cityscapes 数据集上达到了较高的定量和定性性能。

Jun, 2023

本综述为关于应用于计算机视觉的去噪扩散模型文章提供了全面的回顾，包括在领域中的理论和实际贡献，提供了三种通用扩散建模框架，并介绍了扩散模型与其他深度生成模型之间的关系，并引入了在计算机视觉中应用扩散模型的多个视角分类，最后，我们说明了离散模型的当前限制并预见了未来研究的一些有趣方向。

Sep, 2022

我们提出了一种基于先验的去噪训练框架，并将先训练和微调范式纳入扩散模型的训练过程，从而显着提高了训练效率和生成的图像质量。

Jun, 2023

图像降噪是计算摄影中的一个基本问题，要求在低畸变的情况下实现高质量的感知性能。最近，新兴的扩散模型在各种任务中实现了最先进的性能，在图像降噪方面显示了巨大的潜力。然而，为图像降噪刺激扩散模型并不直接，需要解决几个关键问题。我们提出了一种名为 “图像降噪扩散模型（DMID）” 的新策略，通过从降噪的角度理解和重新思考扩散模型来解决这些问题。我们的 DMID 策略在所有基于畸变和感知度量的高斯和真实图像降噪任务中实现了最先进的性能。

Jul, 2023

调查论文对使用扩散模型进行图像编辑的现有方法进行了全面的概述，包括理论和实践方面，并从多个角度对这些作品进行了彻底分析和分类，介绍了学习策略、用户输入条件以及可以实现的特定编辑任务的组合。此外，对图像修复和扩展进行了特别关注，并探讨了早期的传统上下文驱动方法和当前的多模态条件方法，全面分析了它们的方法论。最后，讨论当前的限制并展望未来的研究方向。

Feb, 2024

本研究提出了一种新的特征融合和多干扰物注视的网络，用于解决融入环境中的伪装目标检测问题，并通过自行构建的 ACOD2K 数据集验证其性能。

Jul, 2023