通过使用一种改进的采样策略，我们提供了一种可以增加扩散模型的生成多样性的方法，尤其是在高指导尺度下，同时最小化样本质量损失。该方法通过在推理过程中向条件向量添加预定的、单调递减的高斯噪声来退火条件信号，以平衡多样性和条件对齐。我们的 Condition-Annealed Diffusion Sampler (CADS) 可以与任何预训练模型和采样算法一起使用，并且我们证明它在各种条件生成任务中提高了扩散模型的多样性。此外，通过使用现有的预训练扩散模型，CADS 在 256×256 和 512×512 像素的类条件 ImageNet 生成任务中取得了新的最优 FID 值，分别为 1.70 和 2.31。

Oct, 2023

探索一种基于扩散模型的跨模态生成方法，通过多模态扩散模型的训练和采样方案使用逐通道图像条件学习跨模态相关性，实现数据生成和多种模态的条件生成。

May, 2023

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

在计算机视觉中，把伪装目标检测（Camouflaged Object Detection，COD）视为基于扩散模型的条件掩蔽生成任务，提出了一种名为 CamoDiffusion 的方法，它使用扩散模型的去噪过程来迭代地减少掩蔽的噪声，其随机采样的过程使得其模型能够从掩蔽分布中采样多个可能的预测，避免了过分预测错误的问题，该文的实验表明，与现有最先进的方法相比，在三个 COD 数据集上，特别是在最具挑战性的 COD10K 数据集上，我们的方法达到了 0.019 的 MAE（平均绝对误差），表现出优越的性能。

May, 2023

条件分布建模 (CDM) 是一种有效利用扩散模型进行少样本图像生成的框架，通过对用于条件化扩散过程的潜空间分布进行建模，CDM 利用训练数据的学习统计信息更好地近似未见类别的分布，从而消除因少样本样本数目限制而引起的偏见，同时我们还设计了一种新颖的基于反演的优化策略，进一步改进了近似的未见类别分布，确保生成样本与未见类别的准确性。我们在四个基准数据集上的实验结果表明了我们提出的 CDM 在少样本生成中的有效性。

Apr, 2024

扩散模型为一种强大的生成模型，能够从纯噪声中生成高质量的图像。条件扩散模型通过简单的文本提示能够指定所需图像的内容，然而，仅仅基于文本提示无法对最终图像的构成和布局进行细致的控制，而这取决于初始噪声分布。本文探讨了两种改进方法，并演示了当这两种方法结合使用时可以获得更好的性能。

May, 2024

通过给扩散模型输入精制的噪声来提高其控制性，从而可以产生基于语义属性的图像。

May, 2022

通过图像条件实现的一种新颖的有条件蒸馏方法，将扩散模型的先验知识与图像条件相结合，大大简化了以往两阶段的蒸馏过程，并通过少量的额外参数和冻结的无条件主干网络实现了一种新的高效蒸馏机制，实验结果表明，该方法在多个任务上的表现优于现有的人工蒸馏技术，并且是第一个能够与更慢的精细调优有条件扩散模型相匹配的蒸馏策略。

Oct, 2023

本研究探索了一种本地判别神经模型来提高文本的一致性，这样可以实现更广泛的领域泛化，从而显著提高了文章的可读性。

May, 2019

通过提高输入与输出的互信息，利用条件离散对比扩散 (CDCD) 损失和两种对比扩散机制，将对比学习和传统变分目标相结合，我们成功地提高了多模式条件综合生成模型的输入输出对应性并取得了良好的结果。

Jun, 2022