本文旨在了解人们无法将由扩散模型产生的合成图像与原始图像区分开来的难度，并研究当前的最先进检测器是否适用于此任务。
Nov, 2022
通过在预训练的自编码器的潜在空间中应用扩散模型，引入交叉注意力层到模型体系结构中，以更少的计算要求取得接近最优的性能，实现高分辨率合成，缩小像素级 DMs 对计算资源的需求。
Dec, 2021
通过使用特定类型的扩散模型（DDPM）在合成孔径雷达（SAR）领域实现有条件和无条件图像生成，本研究表明 DDPM 在质量上以及定性和定量效果上都优于现有的基于 GAN 的方法，并展示了预训练对于提高 SAR 图像生成质量的益处。
May, 2024
研究训练以潜在空间作为输入的 LDM 的方法，与传统的 Diffusion Models 相比，通过使用预训练的自动编码器将高维像素空间降为低维潜在空间，大大提高了训练效率，并使用隐私保护的方式对不同维度的注意力模型进行训练以减少可调参数，最终的实验结果表明该方法在生成高质量合成图像时表现突出。
May, 2023
扩散模型的实例教学方法和分布教学方法在图像生成模型方面取得了显著的研究成果，提出的分布教学方法在减少训练图像数量的同时取得了最先进的结果，提高了对高效图像生成模型的理解并为各种应用提供了可扩展的框架。
通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性，然后通过频域分析伪造痕迹来得出各种见解，并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。
Feb, 2024
本综述论文对应用于图像超分辨率的扩散模型（DMs）进行了概述，并进行了详细分析，强调了该领域的独特特征和方法论。它展示了 DM 基础知识的统一视角，并探索了包括替代输入域、条件策略、指导、失真空间和零样本方法等研究方向。此综述论文洞察了 DMs 在图像超分辨率中的演变，讨论了当前的趋势、挑战和未来方向。
Jan, 2024
本综述主要介绍了最近视觉领域中扩散模型的进展，特别是那些影响扩散模型计算效率的重要设计方面，重点是强调了最近提出的设计选择，这些选择导致更高效的扩散模型。
Oct, 2022
本研究通过对各种不同类型图像生成器的系统研究，探寻真实与虚假图像之间最具法医学意义的特征，发现合成图像中出现了可见的傅里叶域信号缺陷，以及自相关中出现的异常规律图案，并且当用于训练模型的数据集缺乏足够的多样性时，其偏见会转移到生成的图像中，观察了人造图像与真实图像之间较高频率信号内容的显著差异。
Apr, 2023
通过研究了不同的噪声分布（高斯分布和非高斯分布），我们发现扩散模型中高斯分布的噪声可以最好地用于生成数据，因此我们可以使用与非高斯噪声相关的扩散过程来确定噪声分布的选择。