通过新的参数化方法和扩散模型的渐进提炼过程，从而在不降低感知质量的前提下将采样步骤尽量减少到四步，从而提高了采样效率，并为生成建模提供了高效的解决方案。

Feb, 2022

本文提出了一种可行的指导框架，称为实用插播（PPAP），该框架利用参数高效的微调和不需要标记的数据传输来利用多个专家，每个专家都专门针对特定噪音范围并指导扩散的反转过程。通过图像类别有条件的生成实验，证明了该方法可以成功地引导扩散，且小可训练参数和没有标记的数据。最后，通过我们的框架，我们展示了图像分类器，深度估计器和语义分割模型可以以插播的方式指导公开可用的GLIDE。

Dec, 2022

本文针对扩散生成模型如何将纯噪声转化为有意义的图像进行了研究，提出了基于高维景观的动力学建模方法，揭示了不同训练数据中的场景元素所呈现的具体细节先后顺序，并提出了一种生成可解释图像变化的新方法。

Mar, 2023

本研究中，我们将原型学习引入扩散模型中，以实现比原始扩散模型更快的高生成质量，并在各种数据集和实验环境中展示ProtoDiffusion的表现，达到所有设置中更短的时间内最佳性能。

Jul, 2023

视觉计算领域因生成人工智能的出现而快速发展，介绍了扩散模型的基本数学概念、稳定扩散模型的实现细节和设计选择，以及包括个性化、条件设定、反转等在内的这些生成人工智能工具的重要方面的综述。此外，它还对基于扩散的生成和编辑的迅速增长的文献进行了全面的概述，按照生成介质的类型进行分类，其中包括2D图像、视频、3D对象、运动和4D场景。最后，我们讨论了可用的数据集、度量标准、开放性挑战和社会影响。这个综述为研究人员、艺术家和从业者提供了一个直观的起点来探索这个令人兴奋的主题。

Oct, 2023

通过多阶段框架和多解码器U-net架构，我们提出了一种增强扩散模型训练和采样效率的方案，通过定制每个时间步长的不同参数，同时保留所有时间步长共享的通用参数，有效地分配计算资源并减轻阶段间干扰。

Dec, 2023

通过可视化分析和实验结果，我们提出并回答三个研究问题，从可视概念和模型关注的区域的角度解释扩散过程，展示了在扩散过程中输出如何逐渐生成，通过不同时间步骤中的噪声去除程度和与基础可视概念之间的关系强调了可视概念的变化水平，从而为了解扩散机制提供了见解，并为进一步研究提供了奠基。

Feb, 2024

通过局部超出分布区域划分和分离图像生成过程，本研究提出了一个无需训练的扩散模型，有效减少图像幻觉和误诊，减少真实世界医学和自然图像数据集中的误诊率分别达到40%和25%，同时与各种预训练的扩散模型兼容。

Apr, 2024

扩散模型是强大且通用的生成式人工智能技术，在计算机视觉、音频、强化学习和计算生物学等领域取得了巨大的成功。本文回顾了扩散模型的新兴应用，理解了它们在各种控制下的样本生成。同时，我们概述了现有的扩散模型理论，涵盖了它们的统计性质和采样能力。进一步地，我们评述了通过条件扩散模型进行高维结构化优化的新途径，将解决方案的搜索重新定义为条件采样问题，并通过扩散模型进行求解。最后，我们讨论了扩散模型的未来发展方向。本文旨在为刺激前瞻性的扩散模型理论和方法提供全面的理论介绍。

Apr, 2024

由于扩散模型解码器的不连续损失面导致的中间插值现象，扩散模型在训练集中平滑地插值产生了完全不属于原始训练分布支持范围的样本（即幻觉），我们通过对高斯数据和各种形状的人工数据进行实验，展示了这种幻觉与形状组合生成之间的关联，并提出了一种简单的度量标准来识别幻觉，该度量标准能够在保留96%的原始样本的同时去除95%以上的幻觉。最后，我们通过在MNIST和2D高斯数据集上的实验，展示了幻觉及其去除对于合并训练的崩溃与稳定性的影响。

Jun, 2024