本综述为关于应用于计算机视觉的去噪扩散模型文章提供了全面的回顾，包括在领域中的理论和实际贡献，提供了三种通用扩散建模框架，并介绍了扩散模型与其他深度生成模型之间的关系，并引入了在计算机视觉中应用扩散模型的多个视角分类，最后，我们说明了离散模型的当前限制并预见了未来研究的一些有趣方向。

Sep, 2022

该论文提出DiffFit，一种参数高效的策略，可以对大规模预先训练的扩散模型进行微调，从而实现对新领域的快速适应，本方法只需要微调特定层中的偏差项和新加入的缩放因子，相对于完整的微调，实现了2倍的训练加速和极低的模型存储成本，DiffFit在8个下游数据集中表现突出，取得了竞争性的性能，并证实缩放因子对快速适应的功效。

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

本文展示了使用去噪扩散概率模型进行单目 depth 和 optical flow 估计，通过 Monte Carlo 推理，结合了自监督预训练和合成和真实数据的监督训练，能够在去噪和缺陷数据方面提供技术创新，以及对于不确定性和多模态的处理能力等方面都能取得最先进的效果。DDVM 是本文中提出的模型，相对深度误差为 0.074，比最佳发布方法的 Fl-all outlier rate 高 25%。

Jun, 2023

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

这篇综述论文全面地评估了扩散模型技术，并探讨了它们与其他深度生成模型的相关性，建立了理论基础。同时，该论文还总结了扩散模型在医学、遥感和视频等领域应用的情况，提供了常用基准和评估指标的概述，以及针对三个主要任务的扩散模型技术的全面评估。最后，作者指出当前扩散模型的局限性，并提出了未来研究的七个有趣方向。这篇综述论文旨在加深人们对于在低层次视觉任务中的去噪扩散模型领域的全面理解。

Jun, 2024

通过研究发现图像到视频扩散模型中的条件图像泄漏问题，提出了适用于生成更具动态和自然运动的视频的插拔策略。

Jun, 2024

本研究解决了零-shot单目深度估计中的效率问题。提出了一种名为PrimeDepth的方法，通过提取来自稳定扩散的一种冻结图像表示，显著提高了测试时间的效率，同时保持或增强了基于扩散方法的优点。实验结果表明，PrimeDepth在处理复杂场景时更为稳健，并在深度估计质量上略优于现有领先方法，开创了零-shot单目深度估计的新局面。

Sep, 2024

本研究针对条件图像合成领域中的复杂性及多样性挑战，系统性地回顾了基于扩散的生成建模方法。通过对现有研究的分类，本论文揭示了多种条件机制在模型训练和采样过程中的应用，指出了关键问题与未来研究方向，助于研究者更好地理解和应对快速发展的条件图像合成技术。

Sep, 2024

本研究针对条件图像合成的复杂性与快速发展的挑战，系统性地分类现有文献，探讨条件如何融入扩散模型的去噪网络和采样过程。研究的关键在于分析各种条件方法在训练及专业化阶段的原理和优缺点，并总结六种主流条件机制。该综述不仅为研究者提供了深入的理解，也指出了未来亟待解决的关键问题和潜在的解决方案。

Sep, 2024