提出了一种新的统一的傅立叶感知扩散模型（RSHazeDiff）用于遥感图像去雾，通过改进 DDPM 的训练阶段、采用频率信息作为先验知识以及设计全局补偿学习模块等方式，有效提高了图像质量、保留了更多细节和颜色保真度。

May, 2024

提出了一种名为 DiffSpectralNet 的新型网络，通过结合扩散和变换器技术，利用无监督学习和预训练去噪 U-Net 提取高层和低层光谱空间特征，并使用监督变换器分类器进行高光谱图像分类，实现了超越现有方法的创新，达到了最先进的性能。

Oct, 2023

提出了一种名为 DocDiff 的基于扩散的框架，用于解决文档图像退化问题，包括去模糊、去噪和去水印，采用回归和扩散模型结合的方法来处理文档图像的高频信息，已在多个基准数据集上取得了最先进的性能（SOTA）表现。

May, 2023

本文提出了一种基于预训练扩散模型的无监督高光谱图像恢复框架（HIR-Diff），通过两个低秩分量（即降维图像和系数矩阵）的乘积来还原清晰的高光谱图像。实验证明，该方法在高光谱图像恢复任务中具有卓越的性能和速度优势。

Feb, 2024

提出了一种基于光谱 - 空间扩散模型的高光谱图像分类方法，该方法可以实现对训练样本的光谱和空间分布的前向和反向扩散过程，从而对样本之间的全局空间 - 光谱关系进行建模，提取的特征可以从重建的训练样本分布中获得更好的分类性能。

Apr, 2023

介绍一种创新的基于深度学习的方法，使用去噪扩散模型将不同光学传感器的低分辨率图像转换为高分辨率图像，保留内容并避免不需要的伪影，通过大规模多样的 Sentinel-II 和 Planet Dove 图像配对数据集进行训练和测试，解决了在多传感器光学遥感图像的图像到图像转换任务中普遍使用的无分类器引导去噪扩散隐式模型（DDIM）框架所观察到的严重图像生成问题，生成具有高度一致的补丁的大型图像，包括颜色和特征，进一步展示了该方法如何改善贝鲁特，黎巴嫩和美国奥斯汀两个城市地区的异构变化检测结果，我们的贡献包括：i）基于去噪扩散模型的光学图像转换的新的训练和测试算法；ii）全面的图像质量评估和消融研究；iii）与无分类器引导 DDIM 框架的比较；和 iv）对异构数据的变化检测实验。

Apr, 2024

本文提出了一种改进的两阶段去噪扩散模型（TSDM），用于识别和重建具有各种测量不确定性的测量。该模型的第一阶段包括基于分类器的条件异常检测组件，而第二阶段涉及基于扩散的测量填补组件。此外，所提出的 TSDM 采用精确的均值和最优的方差来加速扩散生成过程，并在次序抽样方面表现出更好的鲁棒性和较低的计算复杂度。

Dec, 2023

本篇文章将去噪扩散模型引入图像融合领域，将融合任务作为图像到图像的转换，设计两种不同的条件注入模块，即风格转换调制和小波调制，注入粗粒度风格信息和细粒度高低频信息来生成融合图像，并讨论去噪扩散模型在图像融合中的残差学习和目标函数选择。基于定量和定性评估的广泛实验结果表明，在图像融合任务中具有最先进的结果和良好的泛化性能，希望本文可以激发其他工作的灵感，并深入了解该领域，以更好地将扩散模型应用于图像融合任务。

Apr, 2023

通过使用 T 形模型架构对低分辨率图像进行全局结构信息的捕捉，并逐步恢复细节，我们提出了一种轻量级的 DDPM（LighTDiff），该模型在保留性能的同时显著减小了模型大小。同时，我们引入了时间光单元（TLU）来实现稳定训练和改善去噪结果，通过与去噪图像特征建立时间步骤的关联，建立去噪步骤的时间依赖性。此外，我们还引入了色度平衡器（CB）来缓解扩散模型中可能存在的光谱变化问题。我们的 LighTDiff 在计算效率方面优于许多竞争的 LLIE 方法。

May, 2024

利用潜在扩散模型集成空间和光谱信息，提出了一种新的高光谱图像去噪方法，通过在真实数据集和合成数据集上进行三阶段训练，保留图像结构同时降低噪声。在常见高光谱去噪数据集和 FINCH 任务的合成数据集上的评估表明了这种方法的有效性。

Jun, 2024