我们提出了 DiffEditor 方法，利用图像提示和文本提示来改善细粒度的图像编辑，通过在扩散采样中引入局部组合的随机微分方程 (SDE)，梯度引导和时间旅行策略，我们的方法在各种细粒度图像编辑任务中取得了最先进的性能。

Feb, 2024

通过多扩散过程，利用前景掩模和简单的文本提示，我们引入了一种用于无需预训练的多对象编辑的新框架，以使用户能够通过一次操作在图像中添加、替换或编辑多个对象，实现了高保真图像编辑。

Mar, 2024

本文讨论了半监督物体检测中的若干问题，提出了一种新的知识蒸馏框架 —— 尺度等价蒸馏（Scale-Equivalent Distillation，SED），来解决大尺度差异和类别不平衡等问题，实验证明该方法可显著提升检测结果。

Mar, 2022

通过对扩散逆变和交叉帧注意力进行简单而有效的修改，本文提出了对象中心扩散（OCD）技术来大幅减少记忆和计算成本，并在合成质量相近的情况下实现了高达 10 倍的延迟降低。

Jan, 2024

在本文中，我们提出了一种名为高效小目标检测（ESOD）的方法，通过重复利用检测器的主干网络进行特征级别的目标寻找和图像切块，避免冗余的特征提取和减少计算成本，以在高分辨率输入上检测小目标，达到超越现有方法的性能。

Jul, 2024

我们提出了一种统一的概率形式用于扩散式图像编辑，其中潜变量以任务特定的方式进行编辑，并且通常偏离原始随机微分方程或常微分方程（SDE 或 ODE）引起的相应边际分布。代之以定义了一个相应的 SDE 或 ODE 进行编辑。我们在公式中证明了两个 SDE 之间的边际分布的 Kullback-Leibler 散度逐渐减小，而 ODE 的散度在时间趋近于零时保持不变，这表明了 SDE 在图像编辑中的优势。受此启发，我们针对各种任务（包括修复和图像到图像转换）提供了常用 ODE 基准的 SDE 对应项，其中 SDE 显示出一致而显著的改进。此外，我们还提出了基于 SDE 公式的简单而有效的点内容拖曳方法 SDE-Drag。我们创建了一个具有自然图像、艺术图像和 AI 生成图像的挑战性基准（称为 DragBench）进行评估。对 DragBench 的用户研究表明，SDE-Drag 在很大程度上胜过了我们的 ODE 基准、现有的基于扩散的方法以及著名的 DragGAN。我们的结果证明了 SDE 在图像编辑中的优势和多功能性，并推动了基于扩散的编辑方法的发展边界。

Nov, 2023

我们在这篇论文中提出了一种名为 InstDiffEdit 的新型高效图像编辑方法，它利用现有扩散模型的跨模态注意力能力，在扩散步骤中实现了即时的遮罩引导。我们将 InstDiffEdit 与 SOTA 方法进行了广泛的实验证明，结果显示它在图像质量和编辑结果方面不仅优于 SOTA 方法，而且推理速度快 5 至 6 倍。

Jan, 2024

该论文介绍了一种通过文本引导实现图像中物体添加的方法，并提出了 Diffree，一个独特的文本到图像模型，可以成功地添加新物体并保持背景一致性、空间适应性和物体相关性和质量。

Jul, 2024

本研究提出了一种新的语义图像编辑范式 —— SIEDOB，该范式通过显式地利用几个异构的子网络来分别处理背景和对象并最终融合，从而在处理内容丰富的图像和合成真实的和多样化的对象以及一致质地的背景方面具有优越性。

Mar, 2023

我们提出了一种一步有效扩散网络（即 OSEDiff），用于实际图像超分辨率（Real-ISR）问题，通过利用给定的低质量（LQ）图像作为起始点进行扩散，消除了随机噪声采样引入的不确定性，以实现高质量（HQ）图像的生成。

Jun, 2024