通过使用预先训练的逆模型设计的损失，利用扩散模型的生成控制能力，我们引入了 Steered Diffusion，这是一个通用的框架，用于实现基于扩散模型的逼真零样本条件图像生成，以在推理时引导扩散模型的图像生成过程。我们的实验表明，与最先进的基于扩散的即插即用模型相比，我们的框架在多种任务上如修补、着色、文本引导的语义编辑和图像超分辨率方面有明显的定性和定量改进，同时增加了可忽略的额外计算成本。

Sep, 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

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

扩散模型在图像重建中表现出优异的性能，提出了一种基于贝叶斯条件技术的扩散模型，通过条件得分函数来解决图像重建中出现的挑战性逆问题，并在图像去混叠、去模糊、超分辨率和修复中展现出最新技术的性能。

Jun, 2024

通过在模型训练过程中加入约束条件使其生成的样本更符合所施加的约束，从而提高生成样本与约束的一致性，且相较于现有方法有更好的性能且不影响推断速度；该方法还可以自然地防止过拟合。

Mar, 2024

在胎儿超声视频中，通过引入双条件扩散模型（DCDM），我们将模型限制在生成与 ID 集内结构和语义类似的图像上，以检测 OOD 样本，其具有高结构相似性和大内部分布方差。该模型在准确性上比参考方法提高了 12％，在精确度上提高了 22％，F1 得分提高了 8％。

Nov, 2023

本文提出了一种新的 OOC 检测方法，探讨了鉴别模型在特定区域中对数据更敏感，借此提出了基于扩散模型的检测方法和指标分数，结合鉴别模型和生成模型进行检测，实验结果表明该方法在 CIFAR10 和 CIFAR100 数据集上有竞争力。

Nov, 2022

提出了一种新颖有效的扩散采样策略，将样本分解为在清洁数据流形上投影得到的 “去噪” 部分和诱导样本向下一级噪声流形过渡的 “噪声” 部分，可以更快和更精确地进行采样。在挑战性的实际医学逆成像问题中实现了最先进的重构质量，并且比以前的最先进方法快 80 倍以上。

Mar, 2023

通过局部超出分布区域划分和分离图像生成过程，本研究提出了一个无需训练的扩散模型，有效减少图像幻觉和误诊，减少真实世界医学和自然图像数据集中的误诊率分别达到 40% 和 25%，同时与各种预训练的扩散模型兼容。

Apr, 2024

扩散模型在图像生成和编辑领域取得了显著的成功。我们提出了一种创新的框架，其中包含一个修正模块，用残差特征调节扩散模型权重，以填补编辑过程中准确性的差距。此外，我们引入了一种新的学习范式，旨在在编辑过程中最小化错误传播。通过大量实验证明，我们的提议框架和训练策略在各种去噪步骤下实现了高保真的重建和编辑结果，并在定量指标和质量评估方面表现出色。此外，我们还通过图像到图像的转换和跨领域图像编辑等多个应用探索了模型的泛化能力。

Dec, 2023