本研究使用 scDiffusion 模型基于扩散过程生成具有可控条件的高质量单细胞 RNA 测序数据，并展示其能够产生接近真实数据的单细胞基因表达数据，超过现有模型在多个度量指标上的性能，对罕见细胞类型等特定细胞类型进行条件生成，并通过梯度插值生成小鼠胚胎细胞的连续发育轨迹，以此证明 scDiffusion 是增强真实 scRNA-seq 数据和深入研究细胞命运的强大工具。

Jan, 2024

提出了一种基于扩散模型的全新方法 Single-Cell Latent Diffusion (SCLD)，可以在一个统一的框架内合成大规模、高质量的单细胞 RNA 测序样本，包括整体和特定的细胞亚群，实验结果显示了其在细胞分类和数据分布距离方面的最先进性能以及合成特定细胞亚群的能力。

Dec, 2023

本文提出了一种基于深度生成模型 gimVI 的方法，用于整合空间转录组学和单细胞 RNA 测序数据以推断空间转录组学数据中缺失的基因表达信息并比较了其与其他方法的性能。

May, 2019

使用具有转换器的漫反射概率模型（MC-DDPM）将磁共振成像（MRI）转换为高质量的合成计算机断层扫描（sCT），以便于放射治疗计划，并通过消除 CT 模拟和具有误差的图像配准，从而减少患者的辐射剂量和设置不确定性。

May, 2023

通过提出一种名为 xTrimoGene 的新型非对称编码器 - 解码器变压器来处理单细胞 RNA 测序数据，该模型利用数据的稀疏特性，在保持高准确性的同时减少了计算量，实现了在当前最大的单细胞 RNA 测序数据集上训练最大的变压器模型。实验证明，xTrimoGene 的性能随着模型规模的增加而提升，并在细胞类型注释、扰动测序效果预测和药物组合预测等多个任务上取得了 SOTA 性能。

Nov, 2023

本文研究了视觉 transformer 在基于扩散的生成学习中的有效性，并提出了一种新的模型 Diffusion Vision Transformers（DiffiT），该模型在多个条件和无条件综合任务中取得了最新的基准成绩，生成了高保真度图片。

Dec, 2023

以空间转录组学数据为基础，提出了一种含有条件扩散模型的空间转录组学数据插补方法，结合空间位置信息和模型训练，用于处理单细胞数据中的缺失值问题，并证明其相对于现有方法具有更好的性能。

Mar, 2024

本研究提出了一种名为 Cluster-aware Iterative Contrastive Learning (CICL) 的新方法，用于单细胞 RNA 测序 (scRNA-seq) 数据聚类，通过迭代表示学习和聚类框架逐步学习 scRNA-seq 数据的聚类结构，取得了较好的聚类结果。

Dec, 2023

通过引入自监督区分知识来增强扩散变压器 (Diffusion Transformer, DiT) 的训练效果，并在 ImageNet 数据集上进行了广泛实验，实现了训练成本和生成能力之间的竞争平衡。

Mar, 2024

本研究探索了一种新的扩散模型结构，利用变压器替代传统扩散模型中常用的 U-net 结构，以提供基于脉冲神经网络的生成模型的实证基线。实验结果表明，所提出的方法在 MNIST，Fashion-MNIST 和 CIFAR-10 数据集上与现有的脉冲神经网络生成模型具有很高的竞争力。

Feb, 2024