提出了一个使用条件扩散模型的高光谱影像超分辨率方法，该方法融合了高分辨率多光谱图像（MSI）和相对应的低分辨率超光谱影像（LR-HSI），通过经过多次优化的迭代过程生成超分辨率图像。实验表明，该方法在超分辨率领域的表现优于目前的状态 - of-the-art 方法。

Jun, 2023

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

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

融合基于高光谱图像（HSI）的超分辨率通过融合低空间分辨率的 HSI 和高空间分辨率的多光谱图像来产生高空间分辨率的 HSI。本文提出了一种新颖的基于光谱扩散的先验方法来实现 HSI 超分辨率。在最大后验概率的框架下，通过反向生成过程保留每两个相邻状态之间的转移信息，并将训练好的光谱扩散模型的知识嵌入到融合问题中作为正则化项。最后，将最终优化问题的每个生成步骤视为其子问题，并使用 Adam 算法以反向顺序解决这些子问题。在合成和真实数据集上进行的实验结果证明了所提方法的有效性。所提方法的代码将在此 https 网址上提供。

Nov, 2023

本文提出了一种基于扩散模型的非监督超光谱图像 (HSI) 特征学习框架 Diff-HSI，其可以利用时间步长性质捕捉更丰富的特征，设计了一个时间步骤的特征库和动态特征融合模块，最后实现了 HSI 分类。在三个公共 HSI 数据集上进行的广泛实验证明，Diff-HSI 优于各种现有的监督和非监督 HSI 分类方法。

Jun, 2023

提出了一种新的 Group-Autoencoder (GAE) 框架，并与扩散模型结合，构建了一个高效的高光谱图像超分辨率模型 (DMGASR)。实验证明，该方法在视觉上和指标上优于其他最先进的方法。

Feb, 2024

本文介绍了一种使用无监督编码器 - 解码器体系结构、通过稀疏狄利克雷分布来解决高光谱图像超分辨率问题的方法，并在实验中证明了其优越性能。

Apr, 2018

本研究介绍了一种使用预训练图像恢复扩散模型进行零样本视频修复的方法，该方法通过分层标记合并策略和混合对应机制实现关键帧和局部帧的修复，并在各种具有挑战性的数据集上证明了其在零样本视频修复中的顶级性能和对各种极端降级（8 倍超分辨率和高标准差视频降噪）的一般化能力，可以与任何 2D 恢复扩散模型配合使用，为视频增强任务提供了一种多功能且强大的工具。

Jul, 2024

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

通过引入自然性导向和语义感知优化机制 DiffLoss，本文旨在改善图像恢复领域中的颜色和纹理失真问题，并提高图像的语义感知恢复能力，以实现图像恢复任务和高级识别任务的连接。

Jun, 2024