通过模仿生物进化的方式，本研究引入了一种名为 Generative Cellular Automata (GeCA) 的新模型系列，作为一种有效的补充工具，用于视网膜疾病分类的两种成像模式：Fundus 和光学相干断层扫描（OCT）。在 OCT 成像的背景下，GeCA 显著提升了 11 种不同眼科疾病的性能，相较于传统基线模型，平均 F1 分数提高了 12%。在相似的参数限制下，GeCA 优于融合 UNet 或基于 Transformer 的去噪模型的扩散方法。

Jul, 2024

通过创新的方法，我们提出了一种改进的神经元细胞自动机（Neural Cellular Automata，NCA）模型，它可以在不同的时空颗粒度下保持连续动态，并能够进行模式形成速度和合成模式尺度的连续控制，为 NCA 研究开辟了新的领域。

Apr, 2024

通过提出一种基于小波的扩散方案以及使用重构项来提高模型训练收敛性，本文旨在缩小扩散模型与 GAN 模型之间速度差距，实验结果证明该方案是实现实时高保真扩散模型的基础。

Nov, 2022

本文利用神经元细胞自动机（NCA）算法实现了基于单个模板图像的纹理生成器，其中神经元细胞自动机算法提供了一种学习分布式本地算法生成纹理的范例，并具有高保真度和鲁棒性。

May, 2021

通过频率截断的方法，我们提出了一种新颖的 fine-tuning 自由方法用于改善扩散模型的引导，从而实现了在各种编辑任务和不同图像集上与最先进方法相媲美的结果，突显了它在图像编辑应用中的多功能潜力。

Apr, 2024

Fast-DDPM 是一种简单而有效的方法，可同时提高训练速度、采样速度和生成质量，通过仅使用 10 个时间步进行训练和采样，相比 DDPM，Fast-DDPM 能够在医学图像生成任务中优于基于卷积网络和生成对抗网络的当前最先进方法，并将训练时间缩短了 5 倍，采样时间缩短了 100 倍。

May, 2024

利用连续动力系统设计一种新型去噪网络，以提高扩散模型的参数效率、收敛速度和噪声鲁棒性。与基准模型相比，该模型具有约四分之一的参数量和百分之三十的浮点操作数（FLOPs），推理速度提高了 70％，并且收敛到了更好的质量解。

Oct, 2023

该研究旨在提高文本到图像扩散模型的效率，通过周期性地重复利用计算以近似低分辨率特征图，在保持感知分数可比拟或改善的同时，大大减少了计算复杂度。

Dec, 2023

本研究使用 SFUNet 架构，以小波域而非像素空间中的 denoising diffusion probabilistic model (DDPM) 进行图像合成，通过捕捉空频域的相关性来改进像素数据的标准去噪 U-Net 结构，从而提高 CIFAR-10、FFHQ、LSUN-Bedroom 和 LSUN-Church 数据集上的图像合成质量。

Jul, 2023

Diffusion models have gained attention in image synthesis, and this paper introduces DeepCache, a training-free paradigm that accelerates diffusion models by capitalizing on temporal redundancy in denoising steps and achieving a speedup factor of 2.3x for Stable Diffusion v1.5 and 4.1x for LDM-4-G without significant decline in CLIP Score or FID on ImageNet.

Dec, 2023