通过扩散模型检测和分析攻击引入的图像异常，结果表明攻击实例与扩散模型的学习流形不一致。

Jan, 2024

本文提出了基于敌对去噪扩散模型（ADDM）的研究。ADDM 基于去噪扩散概率模型（DDPM），并通过敌对学习进行互补训练。实验结果表明，ADDM 在无监督 MRI 图像异常检测上表现优于现有的基于生成模型的无监督异常检测方法。

Dec, 2023

通过在扩散模型中引入两个辨别器（扩散辨别器和频谱图辨别器），我们提出了一种音频合成模型，其在各项评估指标中均优于 FastSpeech2 和 DiffGAN-TTS，并通过结构相似性指数、梅尔倒谱失真、F0 均方根误差、短时客观可懂性、语音质量感知评估和主观平均意见得分等客观和主观度量对该模型进行了评估。

Aug, 2023

SEDM-G++ 结合鉴别器引导和 Epsilon 缩放的改进取样方法，解决了扩大偏差的持久问题，提高了生成图像的质量。

Nov, 2023

提出了一种新方法 AdvDiff，使用扩散模型生成无限制的对抗样本，并通过两种新的对抗引导技术在扩散模型的逆生成过程中进行对抗采样，实现了高质量、逼真的对抗样本生成。实验证明，AdvDiff 在攻击性能和生成质量方面优于基于 GAN 的方法。

Jul, 2023

本文提出了两种新的无需条件策略：模糊引导和高级自注意引导来增强生成图像的质量，这些方法不仅简单有效，还提高了各种扩散模型的性能。

Oct, 2022

通过每个时间步骤在图像生成过程中优化纠缠的分布，以及通过降低维度但仍保持扰动参考图像高度集中的构建流形的块自适应实例归一化模块，新的基于分数分解扩散模型 (SDDM) 在多个 I2I 基准测试中表现优于现有的基于分数的扩散模型 (SBDM) 方法。

Aug, 2023

我们提出了一种基于语义引导的对抗扩散框架，用于自监督的去除阴影，并通过两个阶段的训练来改善生成图像的质量。我们的方法在多个公开数据集上进行实验，并证明了其有效性。

Jul, 2024

Adversarial Diffusion Distillation (ADD) is a new training approach that efficiently samples large-scale image diffusion models in 1-4 steps, outperforming existing few-step methods and reaching state-of-the-art performance in only four steps, enabling real-time image synthesis.

Nov, 2023

建议了一个统一理论框架，将基于得分的扩散模型和生成对抗网络合并起来，提出了一个名为 “鉴别器去噪扩散流” 的新 SDE，通过调整不同得分项之间的相对权重，可以在 SDMs 和 GANs 之间实现平滑转换，同时保持边际分布不变，提供了新的算法，并具有在高样本质量和快速采样速度之间实现灵活权衡的潜力。

Jul, 2023