本文研究了扰动扩散概率模型在语义分割任务中的应用，特别是在标注数据有限的情况下。通过探究预训练扩散模型的中间层，我们发现它们可以有效地捕捉输入图像的语义信息，并成为像素级别的分割表示。基于这些观察，我们提出了一种简单的分割方法，能在仅有少量训练图像的情况下显著提高性能。

Dec, 2021

本文提出了一种运用语义扩散网络（SDN）进行边界特征增强来提高深层语义分割模型预测性能的方法，包括运用各向异性扩散过程进行边界特征增强和引入可学习的SDN，通过提出的SDN，可以构建从原始特征到跨类边界增强特征的可微映射。实验证明，我们的方法在几个典型和最先进的分割基线模型上均能实现一致的改进。

Feb, 2023

本文中，我们提出了使用最近发展的去噪扩散生成模型建模的掩模先验来提高现有判别方法的语义分割质量。我们发现简单的集成扩散模型到语义分割中是不够的，并且一次差的扩散过程设计可能导致分割性能下降。我们通过多个实验表明，我们的方法在ADE20K和Cityscapes数据集上达到了较高的定量和定性性能。

Jun, 2023

DifFSS is a novel few-shot semantic segmentation paradigm which leverages the powerful generation ability of diffusion models to generate diverse auxiliary support images for FSS models by using semantic masks, scribbles or soft HED boundaries without modifying their network structure, leading to a consistent improvement in segmentation performance.

Jul, 2023

使用深度信息和无监督学习方法改进语义分割，通过对特征和深度地图之间的关联进行空间相关性学习以提高性能，并在多个基准数据集上展示了显著的改进。

Sep, 2023

使用稳定扩散模型从特征图中提取语义信息，构建高分辨率细分割地图，以展示像素级语义知识的存在。

Jan, 2024

通过对经过边缘增强扩散预处理的图像进行卷积神经网络训练，可以减少神经网络对纹理的依赖，并展示出对任意程度的纹理重新引入的韧性，同时研究了EED预处理对语义分割的连接组件级性能降低、领域泛化以及对抗鲁棒性的影响。

Feb, 2024

基于结构引导的扩散模型在图像修复中通过添加噪音来从前向过程中对图像纹理进行修复，并通过反向去噪过程使用与图像纹理相同的未遮挡区域恢复已遮挡区域，解决了现有技术中遮挡和未遮挡区域之间的语义差异问题。

Mar, 2024

我们引入了第一个基于预训练扩散模型的零样本视频语义分割方法，该方法在各种视频语义分割基准测试中明显优于现有的零样本图像语义分割方法，并且在VSPW数据集上与有监督的视频语义分割方法不相上下，尽管它没有经过显式的VSS训练。

May, 2024

利用预训练扩散模型的内在知识，通过采样和融合技术，提出了一种新的扩散特征融合方法（DIFF）来提取和集成有效的语义表示，该方法在领域泛化语义分割和合成到真实情景中均优于先前的方法达到了最优性能。

Jun, 2024