在这篇文章中，我们发现了扩散模型生成质量受到迭代次数限制的根本原因，并提出了一个简单而有效的解决方案来缓解这些影响。我们的解决方案可以应用于任何现有的扩散模型，并且在各种SOTA体系结构上运行多个数据集和配置进行实验和详尽的消融研究，证明能够立即提高它们的生成质量。

Mar, 2022

本文提出一种基于无监督学习的生成扩散先验（GDP）方法，采用预训练的去噪扩散生成模型（DDPM）来有效地建模后验分布，并通过优化去噪过程中的退化模型参数来实现盲图像恢复，进一步采用分层引导和基于块的方法，使GDP能够产生任意分辨率的图像。实验结果表明，GDP在各种图像重建质量和感知质量的基准测试中优于当前的领先无监督方法，在各种任务和各种图像大小的数据集上都表现良好。

Apr, 2023

本文提出了一种基于扩散模型的统一条件框架，结合了轻量级UNet和固有的差异模型来增强图像恢复的物理约束，采用基本和集成模块实现了对所有块的引导和其他辅助条件信息的整合，并提出了简单而有效的截距补丁分裂策略，将其用于低光量去噪、去模糊和JPEG图像恢复的挑战任务中，得到了显著的感知质量提升和恢复任务的推广。

May, 2023

我们提出了一种名为DiffLL的稳健和高效的基于扩散模型的低光图像增强方法，它利用波浪变换加速推理并降低计算资源使用但不损失信息，并通过前向扩散和反向去噪实现稳定去噪和减少随机性。我们还设计了高频率恢复模块，利用图像的垂直和水平细节来补充对角信息以实现更好的细粒度恢复。大量实验证明，我们的方法在定量和视觉上均优于现有的最先进方法，并且与以前的扩散方法相比，在效率上获得了显着的提高。此外，我们还经验性地证明了方法在低光人脸检测方面的潜在实际价值。

Jun, 2023

通过扩展扩散模型，使用扩散桥模型作为一种自然替代方法，该模型通过从数据中学习扩散桥分数并解决基于这些分数的（随机）微分方程，将一种分布映射到另一种分布，从而实现图像编辑等应用中纳入非随机噪声信息的目标。

Sep, 2023

基于扩散模型与广义欧氏-乌伦贝克桥模型，通过端到端训练，从低质量图像恢复出高质量图像，并在各种任务中取得了最先进的结果。

Dec, 2023

本研究提出一种方法，通过给待恢复的输入图像添加噪声并进行去噪来使预训练的扩散模型自适应于图像恢复任务。方法基于观察到生成模型空间需要受到约束的原则，通过使用一组捕捉输入图像特征的锚点图像对生成模型进行微调，从而实现受约束的空间。我们通过对比以前的方法并在多个真实世界的恢复数据集上展示出卓越的性能，包括保留身份和图像质量。此外，我们还演示了一种在个性化修复上的重要实际应用，其中我们使用个人相册作为锚点图像来约束生成空间。这种方法使我们能够准确地保留高频细节，这是以前的工作所不能实现的。

Dec, 2023

本文介绍了一种通过扩展扩散模型进行图像修复的新方法，该方法利用生成过程中与测量身份一致的样本，并结合测量信号与初始化信息来提高生成过程的效果。实验证明了该方法在不同的图像修复任务中的有效性。

Feb, 2024

通过引入腐蚀图像的非马尔科夫过程，将生成过程转化为隐式图像到图像的Schr"odinger Bridge过程，提出了一个改进的I3SB方法，该方法能够使用少量的生成步骤生成具有更好纹理恢复的图像，并在CT超分辨率和去噪任务中验证了其性能优于现有方法，包括条件去噪扩散概率模型(cDDPM)和I2SB，从视觉质量和定量指标上凸显了I3SB在改进医学图像恢复方面的潜力。

Mar, 2024

本研究针对显微镜图像中存在的噪声和低分辨率问题，提出了一种基于去噪扩散概率模型（DDPM）的方法，通过低分辨率信息来预测高分辨率图像。实验结果表明，该模型在四个多样化的数据集上表现优于或相当于先前的最佳方法，且在所有数据集上的高性能显示了其良好的通用性。

Sep, 2024