我们介绍了一种名为可控条件扩散的新型采样框架，它将去噪扩散模型与可用的测量数据相结合，实现了对多样的成像模态下的离群任务的显著改进，推动了去噪扩散模型在实际应用中的鲁棒部署。

Aug, 2023

由于扩散模型解码器的不连续损失面导致的中间插值现象，扩散模型在训练集中平滑地插值产生了完全不属于原始训练分布支持范围的样本（即幻觉），我们通过对高斯数据和各种形状的人工数据进行实验，展示了这种幻觉与形状组合生成之间的关联，并提出了一种简单的度量标准来识别幻觉，该度量标准能够在保留 96% 的原始样本的同时去除 95% 以上的幻觉。最后，我们通过在 MNIST 和 2D 高斯数据集上的实验，展示了幻觉及其去除对于合并训练的崩溃与稳定性的影响。

Jun, 2024

基于直方图和扩散的方法相结合，该研究旨在通过对医学图像进行无监督异常检测，探索并提出后处理步骤以提高医学图像中异常检测的性能。

Oct, 2023

使用辅助离群数据集来规范机器学习模型为数据分布外（OOD）检测和安全预测提供了有希望的结果。本文提出了一个名为 DREAM-OOD 的新框架，能够通过扩散模型在像素空间中仅使用分布内（ID）数据和类别想象出逼真的异常值。与先前的工作不同，DREAM-OOD 能够在像素空间中直接可视化和理解想象的异常值，并展示通过 DREAM-OOD 生成的样本训练可以提高 OOD 检测性能。

Sep, 2023

在胎儿超声视频中，通过引入双条件扩散模型（DCDM），我们将模型限制在生成与 ID 集内结构和语义类似的图像上，以检测 OOD 样本，其具有高结构相似性和大内部分布方差。该模型在准确性上比参考方法提高了 12％，在精确度上提高了 22％，F1 得分提高了 8％。

Nov, 2023

通过使用预训练和冻结的去噪扩散概率模型 (DDPM) 来逆向编码并优化隐藏域，从未见过的域图像合成，证明了这种新颖视角探索和重新思考扩散模型的数据合成广义能力的有效性。

Oct, 2023

利用扩散模型的生成能力和 CLIP 的强大特征提取能力，我们提出了一种新颖的 OOD 检测方法，通过使用这些特征作为扩散模型的条件输入，我们可以在使用 CLIP 进行编码后重建图像。原始图像与重建图像之间的差异被用作 OOD 识别的信号，我们的方法不需要类别特定的标记，提高了实用性和可扩展性，且经过多个基准数据集的广泛实验证明了我们方法的鲁棒性和有效性。

Jun, 2024

使用潜在扩散模型 (LDM) 实现了对高分辨率 3D 医学数据的强健异常检测，与使用潜在转换模型 (LTMs) 的方法相比，LDM 方法表现更好、对潜在表示更不敏感、内存缩放更合理以及生成更好的空间异常图。

Jul, 2023

利用 Contrary Bradley-Terry Model 进行优化，引入 Hallucination-Induced Optimization 策略，提高 Large Visual Language Models 处理视觉对比解码中的幻觉问题的效果。

May, 2024

利用 Stabile Diffusion 模型 (RoentGen) 对医学影像进行数据增强，并进行偏倚分析和幻像检测，结果发现生成的合成胸部 X 射线图像中存在分类偏差和幻像，指向了解释合成影像的新研究方向，以进一步理解相关风险和医学应用中的患者安全性。

Dec, 2023