深度学习技术在光学遥感图像的云去除中展示了其有效性。本文提出了一种迭代扩散过程用于云去除，通过像素空间和潜变空间两个阶段模型实现了云去除的分步处理，提高了清晰度并优化了细节恢复。

Mar, 2024

该研究提出了一种基于扩散增强的云去除框架，利用超分辨率图像生成和逐层训练策略，实现了对光学遥感图像中云层的准确去除，大幅提高了图像的感知质量和信号保真度。

Jan, 2024

本文介绍了一种名为 UnCRtainTS 的多时空云去除方法，它是基于一种新颖的注意力机制和一种多元不确定性预测公式的组合。在两个公开的云去除数据集上，它取得了最新的图像重建技术实时性能，并展示了这种方法如何通过精准控制重建质量来提高不确定性预测的准确性。

Apr, 2023

该论文提出了一种利用扩散模型生成单个 RGB 图像中捕捉到的物体的三维稀疏点云的新型形状重构方法，该方法利用了一种新的中心扩散概率模型，用于一致的局部特征条件约束。在合成基准 ShapeNet-R2N2 和实际数据集 Pix3D 上进行的大量实验表明，CCD-3DR 在性能上优于竞争对手超过 40％。

Aug, 2023

提出了一种专门针对遥感图像生成的扩散建模框架 CRS-Diff，利用扩散模型的内在优势并整合先进的控制机制，以确保图像不仅在视觉上清晰，而且充满地理和时间信息。综合评估证明，CRS-Diff 在图像质量和多样性方面相对于之前的方法具有卓越的生成能力。

Mar, 2024

该研究论文提出了一种基于深度学习的方法，用于从阴影和高光中恢复复杂细节以及重建高动态范围图像，通过图像到图像转换任务，提出了一种基于条件性去噪扩散概率模型（DDPM）的框架，并在该框架中结合了深度卷积神经网络（CNN）的自编码器来提高用于条件化的输入 LDR 图像的潜在表征质量，此外引入了一种新的损失函数来改善 LDR-HDR 转换任务的结果质量。通过全面的定量和定性实验，有效地展示了该方法的优越性，结果表明简单的基于扩散的条件方法可以取代复杂的基于相机管线的架构。

Jul, 2023

我们介绍了一种名为可控条件扩散的新型采样框架，它将去噪扩散模型与可用的测量数据相结合，实现了对多样的成像模态下的离群任务的显著改进，推动了去噪扩散模型在实际应用中的鲁棒部署。

Aug, 2023

通过引入扩散模型于降水预测任务，提出了一种基于历史观测数据的短时降水预报条件扩散模型（SRNDiff）。SRNDiff 通过在去噪过程中加入额外的条件解码器模块，实现了端到端的降水预测。该模型在条件生成方面超越了 GANs，虽然需要更多计算资源，但在训练过程中表现出更高的稳定性和效率，并生成更能反映未来降水情况的高质量降水分布样本。这充分验证了扩散模型在降水预测中的优势和潜力，并为提升降水预测提供了新的见解。

Feb, 2024

本文提出了一种基于点扩散和精化的点云补全范式，其中条件生成网络使用去噪扩散概率模型生成粗糙补全， 精修网络进一步改进完成后的点云的质量，并开发了一个新的双向路径架构。 这种架构既能从部分观察到的点云中有效地提取多级特征以指导补全，也能准确地操纵三维点的空间位置以获得光滑的表面和清晰的细节。通过广泛的实验，证明了本文提出的方法在点云完成方面优于以往的最先进方法。值得注意的是，在精细网络的帮助下，我们可以将 DDPM 的迭代生成过程加速 50 倍，而不会影响其性能。

Dec, 2021

通过构建一个新的数据集，本文针对云遮挡导致的地球影像质量下降问题，提出了一种适用于不同区域、季节和云覆盖度变化的新型云去除模型，并在两个性能指标上进行了评估。

Sep, 2020