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

使用频域滤波器来指导扩散模型，以实现结构保留图像翻译的频率引导扩散模型（FGDM），同时在医学图像翻译中具有零样本学习的能力。 该模型在结构保留医学图像翻译任务中具有良好的性能。

Apr, 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

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

医学图像翻译中，自洽递归扩散桥(SelfRDB)通过使用以目标图像为基础、源图像为参照的前向过程，以及噪声调度和采样过程等创新方法，提供了优越的性能。

May, 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

本研究解决了扩散模型在高保真图像生成中的实时可行性问题，提出了一种基于小波的条件扩散生成对抗网络方案，专注于单幅图像超分辨率。通过减少反向扩散过程所需的时间步和利用离散小波变换，显著降低了训练和推理时间，实验结果表明该方案在CelebA-HQ数据集上优于其他最先进的方法，确保了高保真输出。

Oct, 2024

本研究针对当前医学图像合成中的深度生成模型面临的挑战进行了探讨，尤其是变分自编码器（VAEs）、生成对抗网络（GANs）和去噪扩散模型（DDMs）。通过分析这些模型的基本原理及其在临床相关问题中的应用，研究指出了其在图像生成任务中的优势与局限性，旨在为未来的医学图像分析提供新思路。

Oct, 2024

本研究解决了医疗影像领域时空超分辨率的不足，通过提出将潜在扩散模型（LDM）与基于矢量量化生成对抗网络（VQGAN）编码解码架构相结合的方法，实现了空间和时间的联合超分辨率。研究结果表明，该方法在心脏MRI数据集上的表现显著提升，能够提高医疗图像的诊断准确性和患者预后。

Oct, 2024

本研究解决了脑肿瘤分析中存在的脑损伤和MRI模态缺失问题。提出了一种新的条件3D小波扩散模型，为全分辨率图像训练与预测提供了稳定与高效的方法。实验结果显示，该方法在预测性能上有显著提升，具有良好的实用价值。

Nov, 2024