使用扩散型生成模型 (DGMs) 的 2D 到 3D 映射框架 Micro3Diff，使得通过仅需预先训练 DGMs 进行 2D 样本生成，并在生成过程中进行维度扩展的方式实现了对连接切片，保持与原始 2D 图像形态等价的 3D 样本的重建，具备在集成计算材料工程应用中潜在利用价值，并突破对 DGMs 潜空间的理解和操作。

Aug, 2023

使用扩散模型的无监督等距重建方法能够将低轴向分辨率的显微成像重建为高轴向分辨率的结果，无需重新训练，这个方法在电镜数据实验中实现了最新技术的表现甚至可以与监督方法竞争。

Jun, 2023

本文提出了 RenderDiffusion，这是第一个用于 3D 生成和推断的扩散模型，使用仅有的单眼 2D 监督进行训练，并采用新颖的图像去噪架构进行中间的三维表示，以提供强烈归纳结构，同时仅需要 2D 监督。我们在 FFHQ、AFHQ、ShapeNet 和 CLEVR 数据集上评估了 RenderDiffusion，展示了生成 3D 场景和从 2D 图像中推理 3D 场景的竞争性表现。此外，我们的扩散型方法还使我们能够使用 2D 修复来编辑 3D 场景。

Nov, 2022

采用基于扩散的模型 DISPR，该研究介绍了 3D 细胞形态预测的逆问题的求解方法。通过对 2D 显微镜图像进行条件预测，实现对真实 3D 形态的预测。进一步将该模型作为数据增强工具运用于单细胞分类任务，并取得了较好的效果。本研究表明扩散模型可成功应用于逆生物医学问题，能够从 2D 显微镜图像中学习重构具有真实形态特征的 3D 物体。

Aug, 2022

本文结合传统的基于模型的迭代重建方法和现代扩散模型，提出了一种高度有效的方法来解决 3D 医学图像重建任务，包括稀疏视图断层扫描、有限角度断层扫描、预训练 2D 扩散模型压缩感知 MRI 等。我们在测试时提出了 2D 扩散先验的增强模型先验，从而实现了所有维度上的一致重建。该方法可以在单个普通 GPU 上运行，并且在最极端情况下（例如 2 视的 3D 断层扫描）表现出高保真度和准确度的重建。我们进一步揭示了该方法的泛化能力出乎意料地高，并且可以用于重建与训练数据集完全不同的体积。

Nov, 2022

通过使用多种扩散模型提取 k 空间域中的结构和细节特征，利用虚拟二进制模态掩码和倒金字塔结构来增强 MRI 重建质量，方法通过逐步细化逼近细节并采用级联训练数据分布来表示多尺度数据，从而有效地捕捉和呈现高分辨率的 MRI 图像。

May, 2024

通过引入第一种能够快速进行真实世界三维场景的详细重建和生成的推广模型，我们在本研究中提出了三个贡献：首先，引入了一种新的神经场景表示方法 IB-planes，能够有效准确地表示大型三维场景，并在需要时动态分配更多容量以捕捉每张图像中可见的细节；其次，我们提出了一种去噪扩散框架，通过仅使用二维图像而不需要额外的监督信号（如掩码或深度）学习对这种新型三维场景表示的先验知识，从而支持三维重建和生成；第三，我们开发了一种避免将基于图像渲染与扩散模型集成时产生平凡三维解决方案的原则性方法，即通过丢弃某些图像的表示。我们在几个具有挑战性的真实和合成图像数据集上评估了该模型，并在生成、新视图合成和三维重建方面展示了优越的结果。

Feb, 2024

INFusion 是一种技术，通过使用预训练的扩散模型，为基于学习的隐式神经表示（INRs）的优化提供正则化，以改善图像重建。2D 实验证明了使用我们提出的扩散正则化改进了 INR 训练的效果，而 3D 实验则证明了在 256x256x80 大小的 3D 矩阵上使用扩散正则化进行 INR 训练的可行性。

Jun, 2024

使用基于隐式神经表示的后验采样方法（DiffINR），该方法能在高加速因子下实现逼真精确的扫描成像重建，并且可以将其推广应用于其他医学影像任务。

Jul, 2024

通过基于二维显微图的条件扩散生成模型 (DGMs) 的空间连接，我们提出了一个重建各向异性微结构的框架，该框架能够有效地将噪声转化为三维微结构样本，并且通过修改的协调抽样方法提高样本质量，同时保持各向异性微结构样本在三维空间中的空间连接。验证结果表明，该框架能够再现材料相的统计分布和三维空间中的材料性质，凸显了该二维至三维重建框架在建立微结构 - 性能关联中的潜在应用，为未来研究中的高通量材料设计提供了帮助。

Dec, 2023