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

我们提出了一种名为 DiffLL 的稳健和高效的基于扩散模型的低光图像增强方法，它利用波浪变换加速推理并降低计算资源使用但不损失信息，并通过前向扩散和反向去噪实现稳定去噪和减少随机性。我们还设计了高频率恢复模块，利用图像的垂直和水平细节来补充对角信息以实现更好的细粒度恢复。大量实验证明，我们的方法在定量和视觉上均优于现有的最先进方法，并且与以前的扩散方法相比，在效率上获得了显着的提高。此外，我们还经验性地证明了方法在低光人脸检测方面的潜在实际价值。

Jun, 2023

通过 Wavelet-Based Diffusion Model 和 Efficient Conditional Sampling，本研究提出了一种更加高效的图像恢复方法，其速度可以达到传统方法的 100 倍以上，并在四个基准数据集上实现了最先进的性能。

May, 2023

一项名为 SWORD（Stage-by-stage Wavelet Optimization Refinement Diffusion）模型的创新性方法被提出，用于稀疏视图 CT 重建。该方法结合了低频和高频生成模型，通过优化过程实现解决方案。实验证明，该方法在定量和定性方面均优于现有的先进方法。

Aug, 2023

该论文介绍了 Med-DDPM，这是一种使用扩散模型进行语义 3D 医学图像合成的创新解决方案，解决了医学成像中的普遍问题，如数据稀缺、不一致的采集方法和隐私问题。

May, 2023

本文提出了一种新颖的扩散小波（DiWa）方法，用于单图超分辨率（SISR），能够将去噪扩散概率模型（DDPMs）的优点与离散小波变换（DWT）相结合，实现在小波频谱上为超分辨图像产生高频信息，从而在图像空间中生成高质量、详细的重建。在定量指标上，我们在面部（8 倍放大）和一般（4 倍放大）SR 基准测试中均优于当前最先进的扩散 SISR 方法，即 SR3 和 SRDiff，包括 PSNR、SSIM 和 LPIPS 等方面。同时，使用 DWT 使得我们可以使用比比较的模型更少的参数：92M 参数而不是 550M 参数，与 SR3 相比，9.3M 参数而不是 12M 参数，与 SRDiff 相比。此外，我们的方法在经典的一般 SR 数据集上优于其他最先进的生成方法，同时节省推理时间。最后，我们的工作强调了它在各种应用中的潜力。

Apr, 2023

我们提出了一种有效的去噪扩散模型，用于生成高分辨率图像 (例如 1024x512)，该模型是在小尺寸图像块 (例如 64x64) 上训练的。我们的算法名为 Patch-DM，其中设计了一种新的特征拼贴策略，以避免合成大尺寸图像时的边界伪影。通过特征拼贴，我们可以系统地裁剪并组合相邻图像块的部分特征来预测移位图像块的特征，从而在图像块特征空间中的重叠区域中实现整个图像的无缝生成。Patch-DM 在我们新收集的自然图像数据集 (1024x512) 以及标准基准较小尺寸 (256x256) 上产生了高质量的图像合成结果，包括 LSUN-Bedroom、LSUN-Church 和 FFHQ。我们将我们的方法与以前的基于图像块的生成方法进行了比较，并在所有四个数据集上获得了最先进的 FID 分数。此外，与经典的扩散模型相比，Patch-DM 还减少了内存复杂度。

Aug, 2023

利用切片扩散架构，从医学图像生成融合体数据和对应掩膜，以解决医学图像分割中数据获取不足的问题，并考虑肿瘤特征进行生成，通过对 BRATS2022 数据集的实验证明生成数据对数据增强的有效性。

Jun, 2024

提出了一种新颖的基于频域引导的多尺度扩散模型（FDDiff），该模型通过细化的步骤将高频信息的补充过程分解为更精细的步骤，使用小波包频域链提供多尺度的中间目标，以逐步补充缺失的高频细节，并利用多尺度频率细化网络在一个统一的网络中预测所需的多尺度高频成分，通过对流模型在图像超分辨率任务中生成高质量图像，并在广泛的评估中展示了其优于先前的生成方法的结果。

May, 2024

本文提出了一种基于连续小波嵌入式表示的 3D 形状生成、反演、操纵方法，包括紧凑的小波表示、扩散生成器、细节预测器、编码器等，实现了较为强大的形状生成、反演、操纵能力，优于现有的最新方法。

Feb, 2023