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

该研究综合考察了无分类器引导在文本条件扩散模型中的作用，从推理效率的角度进行了详细研究，并提出了自适应引导（AG）的有效变体，以在保持图像质量的同时减少计算量。研究发现，通过简单的仿射变换可以替代整个神经函数评估，以实现更廉价的推理，从而为文本条件扩散模型的实际应用和快速部署提供了宝贵的洞见。

Dec, 2023

Symplectic Adjoint Guidance (SAG) proposes a training-free guided sampling approach in diffusion models, improving accuracy and quality of image and video generation by estimating the clean image using multiple function calls and obtaining gradients efficiently.

Dec, 2023

本文提出了一种新颖的净化方法，即导向扩散模型净化（GDMP），旨在帮助保护深度神经网络分类器免受对抗攻击的影响。在各种数据集上进行的广泛实验表明，所提出的 GDMP 将由对抗攻击引起的扰动降至浅层范围，从而显着提高了分类的正确性，并提高了 5％的鲁棒性。

May, 2022

本文提出了一种可行的指导框架，称为实用插播（PPAP），该框架利用参数高效的微调和不需要标记的数据传输来利用多个专家，每个专家都专门针对特定噪音范围并指导扩散的反转过程。通过图像类别有条件的生成实验，证明了该方法可以成功地引导扩散，且小可训练参数和没有标记的数据。最后，通过我们的框架，我们展示了图像分类器，深度估计器和语义分割模型可以以插播的方式指导公开可用的 GLIDE。

Dec, 2022

我们提出了一种名为 Self-Contrastive Graph Diffusion Network（SCGDN）的新框架，其中包含 Attentional Module 和 Diffusion Module 两个主要组件，以实现高效的嵌入和节点状态的平衡，并避免采样偏见和语义漂移，综合利用结构和特征信息进行抽样，并最小化嵌入中的冗余信息以保留更有区分能力的信息。实验结果表明，SCGDN 相比于对照方法和经典方法具有更好的性能。

Jul, 2023

通过观察到交叉注意力层对梯度变化更加敏感，我们提出了一种简单但通用且高效的方法 CAAT，用于有效地欺骗潜在扩散模型 (LDMs)。我们展示了对图像的微小扰动可以显著影响交叉注意力层，从而在定制扩散模型的微调过程中改变文本与图像之间的映射关系。大量的实验证明，CAAT 与各种扩散模型兼容，并以更有效（更多的噪声）和更高效（比 Anti-DreamBooth 和 Mist 快两倍）的方式优于基线攻击方法。

Apr, 2024

利用预训练扩散模型进行恢复已成为传统特定任务训练方法的可取替代。本文提出了 PGDiff，通过引入部分指导的新视角，相较于现有方法更适应现实世界中的退化过程。我们的方法不是具体定义退化过程，而是模拟高质量图像的图像结构和颜色统计等期望特性，并将其应用于逆扩散过程。PGDiff 结合扩散先验能够在各种恢复任务中产生令人满意的结果。此外，PGDiff 可以通过整合各个任务的指导来处理复合任务。实验结果表明，我们的方法不仅胜过现有的以扩散先验为基础的方法，而且在与特定任务模型的竞争中表现出色。

Sep, 2023

本研究提出了一种新方法 Semantic-aware Classifier-Free Guidance (S-CFG)，用于定制不同语义单元在文本到图像扩散模型中的引导程度。研究表明，在各种文本到图像扩散模型上，S-CFG 相较于原 CFG 策略具有明显优势，且不需要额外的训练成本。

Apr, 2024

该研究通过梯度分析比较了鲁棒和非鲁棒分类器，并使用多种梯度稳定技术来提高无条件训练的 Denoising Diffusion Probabilistic Model（DDPM）的采样质量。实验结果表明，这些技术通过提供更稳定和信息丰富的分类器指导梯度，显著提高了非鲁棒分类器的类别条件采样质量。研究结果突出了梯度稳定性在增强分类器指导性能方面的重要性，尤其是对于非鲁棒分类器。

Jun, 2024