基于扩散的图生成方法
本论文总结了扩散模型在图像生成方面的成功，并介绍了扩散模型在图生成方面的应用，特别是从分子和蛋白质建模方面进行了重点讨论，并讨论了扩散模型在图结构数据中的新方向。
Feb, 2023
本文概述了 “扩散模型” 在图像合成、视频生成、分子设计等领域中的应用，并将相关研究分为三大类：高效采样、改进似然估计和处理具有特殊结构的数据。此外，还探讨了将扩散模型与其他生成模型相结合以获得更好结果的潜能，在计算机视觉、自然语言生成、时态数据模型等领域具有广泛的应用。本文旨在提供一个全面的扩散模型综述，指出其重点研究领域并指向未来的研究方向。
Sep, 2022
本文调查了图扩散模型的进展，特别关注了其在 AI 生成内容方面的应用，主要是分子、蛋白质和材料设计。我们也讨论了评估该模型在图领域的存在挑战问题。
Apr, 2023
扩散生成模型对于生成和修改连贯、高质量视频的技术已经变得强大，本调查对视频生成中的关键元素进行了系统概述，包括应用、架构选择和时态动力学建模。最近该领域的进展被总结并归类为发展趋势，调查最后总结了尚存的挑战并展望了该领域的未来。
May, 2024
这篇综述论文全面地评估了扩散模型技术，并探讨了它们与其他深度生成模型的相关性，建立了理论基础。同时，该论文还总结了扩散模型在医学、遥感和视频等领域应用的情况，提供了常用基准和评估指标的概述，以及针对三个主要任务的扩散模型技术的全面评估。最后，作者指出当前扩散模型的局限性，并提出了未来研究的七个有趣方向。这篇综述论文旨在加深人们对于在低层次视觉任务中的去噪扩散模型领域的全面理解。
Jun, 2024
我们的研究引入了 Graph Beta Diffusion（GBD），一种特别擅长捕捉多样化图结构的扩散生成模型。GBD 利用了适用于图邻接矩阵的稀疏和有界特征的 Beta 扩散过程，并开发了调制技术来增强生成图的现实感，同时在其他地方保持灵活性。GBD 在三个通用图基准和两个生物化学图基准中的出色性能突显了其有效捕捉现实世界图数据复杂性的能力。
Jun, 2024
这篇综述论文提供了关于生成式 AI 扩散和传统模型的全面概述，主要介绍了它们的基本技术、在不同领域的应用以及所面临的挑战，旨在为研究人员和从业者提供全面了解，并激发未来在这个令人兴奋的人工智能领域的创新。
Feb, 2024
本综述为关于应用于计算机视觉的去噪扩散模型文章提供了全面的回顾，包括在领域中的理论和实际贡献，提供了三种通用扩散建模框架，并介绍了扩散模型与其他深度生成模型之间的关系，并引入了在计算机视觉中应用扩散模型的多个视角分类，最后，我们说明了离散模型的当前限制并预见了未来研究的一些有趣方向。
Sep, 2022