本文结合传统的基于模型的迭代重建方法和现代扩散模型，提出了一种高度有效的方法来解决 3D 医学图像重建任务，包括稀疏视图断层扫描、有限角度断层扫描、预训练 2D 扩散模型压缩感知 MRI 等。我们在测试时提出了 2D 扩散先验的增强模型先验，从而实现了所有维度上的一致重建。该方法可以在单个普通 GPU 上运行，并且在最极端情况下（例如 2 视的 3D 断层扫描）表现出高保真度和准确度的重建。我们进一步揭示了该方法的泛化能力出乎意料地高，并且可以用于重建与训练数据集完全不同的体积。

Nov, 2022

提出了一种名为 Patch Diffusion 的通用 Patch-wise 训练框架，其核心创新是新的条件分数函数，它在原始图像的 Patch 级别包括 Patch 位置作为附加坐标通道，并且通过训练在多个尺度上对 Patch 大小进行随机和多样化，从而达到显著减少训练时间成本同时提高数据效率以帮助更广泛的用户学习扩散模型。

Apr, 2023

本文提出一种基于变分法的正则化方法 RED-Diff 来解决扩散模型后验分布不可计算的问题，通过在不同时间步引入不同的去噪器来实现对图像结构的约束，进而提高扩散模型在图像修复等领域的应用性能。

May, 2023

通过引入辅助优化变量，利用扩散过程重新定义嘈杂的反问题为受约束的双变量优化任务，该算法称为 ProjDiff，有效地利用了预训练扩散模型的先验信息和降噪能力。在各种线性和非线性反问题中，ProjDiff 在图像恢复任务、信源分离和部分生成任务方面展现出卓越的性能，凸显其在实际应用中的潜力。

Jun, 2024

通过位置感知的三维图像块扩散评分融合，本文提出了一种新的框架，能够学习三维图像的先验进行大规模三维医学图像重建，实验表明我们的方法在稀疏视图和有限角度的 CT 重建上显著优于先前的方法，并且在高维三维图像（$256 imes 256 imes 500$）的实际 CT 重建问题上获得了最先进的性能，同时算法具有更好或相当的计算效率。

Jun, 2024

本文提出了一种将扩散概率模型分成块进行图像生成的方法，使用一种称为 Global Content Conditioning 的条件方法，可在减少内存消耗 50％的情况下保持图像质量相当的质量。

Apr, 2023

我们提出了一种使用文本到图像潜在扩散模型作为通用先验来解决图像逆问题的新方法。我们引入了一种 prompt 调整方法，通过在运行反向扩散过程时动态优化文本嵌入，使得我们能够生成更符合扩散先验的图像。此外，我们提出了一种投影方法，以保持潜在变量在编码器的范围空间内的演化，从而有助于减少图像伪影问题。我们的综合方法 P2L 在各种任务（如超分辨率、去模糊和修复缺失部分）上优于基于图像和潜在扩散模型的逆问题求解器。

Oct, 2023

本文提出了将基于分数的扩散模型转化为原则性先验（`` 基于分数的先验 '）来分析给定测量的后验图像的方法。实验结果表明，基于分数的先验使得数据驱动图像先验的归纳推理变得更加精细。

Apr, 2023

借助深度神经网络，本文研究了解决小数据集的逆问题，集中在将基于模型的方法与数据驱动方法相结合，通过逼近图像先验对全局经验分布的 Wasserstein 差异进行判罚及最大对数似然进行最优化，实现了贝叶斯逆问题的不确定性量化，并在计算机断层摄影、图像超分辨率和修复领域取得了高质量的结果。

Dec, 2023

逆向渲染是从图像中推断场景属性的挑战性逆向问题。我们提出了一种新颖的方案，将预训练于自然照明图上的降噪扩散概率模型与可微分路径追踪器相结合，允许从自然且能解释图像观察的光照和空间变化的表面材料组合中进行采样，以恢复材料并生成高度逼真和多样化的环境贴图样本。

Sep, 2023