- 条件扩散模型下混合油长度的置信区间估计
通过使用条件扩散模型学习给定管道特征的混合油长度分布，并基于所学习的扩散模型生成的伪样本设计置信区间估计方法，我们提出了一种考虑统计变异性的油混合长度估计方案，从而减少了低估的可能性。当将区间的上界作为排除混合油的参考时，低估的概率可降至最 - Treeffuser：基于梯度提升树的条件扩散概率预测
Treeffuser 是一种易于使用的基于梯度提升树的条件扩散模型，用于概率预测，具备良好的预测分布校准能力，适用于多元、多峰、偏态响应的各种回归任务。
- KDD活动识别中多样的域内和域间活动风格融合用于跨个人泛化
通过域填充的概念，使用条件扩散模型和样式融合采样策略生成多样的数据，解决了领域泛化中捕捉领域间和领域内样式多样性的挑战，并在所有人体活动识别任务中优于现有的领域泛化方法。
- 离线基于模型优化的设计编辑
离线基于模型的优化（MBO）旨在最大化黑箱目标函数，仅使用设计和分数的离线数据集。我们引入一种名为离线模型优化设计编辑（DEMO）的新方法，通过在离线数据集上应用训练好的代理模型的梯度上升来产生一个合成数据集，用于训练条件扩散模型以生成高分 - TauAD: 基于条件扩散模型的 PET 成像无需 MRI 的 Tau 异常检测
通过提出一种新颖的条件扩散模型，从 tau PET 成像数据中进行无 MRI 异常检测，并通过训练支持向量机（SVM）对疾病严重程度进行分类，该方法在 AD 患者和亚临床受试者中表现出高准确性和生物相关性。
- 无模型预测及不确定性评估
利用深度神经网络学习目标函数的深度非参数回归近年来成为研究的焦点，尽管在理解收敛速度方面取得了相当的进展，但缺乏渐近性质阻碍了严格的统计推断。为填补这一空白，我们提出了一种新的框架，将深度估计范式转化为一种有利于条件均值估计的平台，利用条件 - 利用条件扩散和构建元数据创建合成能源计量数据
使用相关元数据来生成高质量的合成能源数据的条件扩散模型相比于传统方法表现出更好的性能，具有较低的 Frechet Inception Distance（FID）得分和 Kullback-Leibler divergence（KL 散度）的减 - 通过直接基于能量的偏好优化进行抗原特异性抗体设计
通过使用预先训练的条件扩散模型和等变神经网络，我们提出了直接基于能量偏好优化的方法来指导特定抗原的抗体生成，以获得具有合理结构和显著结合亲和力的抗体设计，实验证明了我们方法在优化抗体能量和提高结合亲和力方面的卓越性能。
- X-Portrait: 表情丰富的分层动作关注人像动画
我们提出了 X-Portrait，一种创新的条件扩散模型，专门用于生成富有表现力且时间连贯的肖像动画。
- IJCAIstMCDI：基于图神经网络的带掩码条件扩散模型用于空间转录组学数据插补
以空间转录组学数据为基础，提出了一种含有条件扩散模型的空间转录组学数据插补方法，结合空间位置信息和模型训练，用于处理单细胞数据中的缺失值问题，并证明其相对于现有方法具有更好的性能。
- 基于条件评分的扩散模型用于皮层厚度轨迹预测
阿尔茨海默病是一种神经退行性情况，其进展速度因个体而异，与皮层厚度的变化密切相关，准确预测皮层厚度的轨迹可以显著提升早期诊断和干预策略，然而，长期数据经常遭受时间上的稀疏和不完整，我们提出了一种用于生成给定基线信息下皮层厚度轨迹的条件分数扩 - 使用条件扩散模型拼接子轨迹以实现目标条件离线强化学习
使用 SSD 模型，基于离线数据集利用条件扩散模型生成高质量计划，成功将离线数据中的子优化轨迹段拼接起来，并在 GCRL 标准基准任务中取得了领先水平的性能。
- 扩散世界模型
我们介绍了 Diffusion World Model (DWM)，它是一种条件扩散模型，能够同时预测多步未来状态和奖励。与传统的一步动力学模型相反，DWM 能够在单次前向传递中提供长期预测，消除了对递归查询的需求。我们将 DWM 集成到基 - pix2gestalt: 合成整体的非物质分割
pix2gestalt 是一个用于零样本全模式分割的框架，通过学习估计部分可见的物体的形状和外观，利用大规模传播模型并将其表示迁移到这个任务中，我们学习一种条件传播模型，用于在具有挑战性的零样本情况下重建整个物体，包括打破自然和物理先验的艺 - 个性化人脸生成中的同时和细粒度身份 - 表情控制
本文介绍了一个新颖的多模式人脸生成框架，能够同时进行身份 - 表情控制和更细粒度的表情合成，并通过创新设计在条件扩散模型中实现身份和表情的分别控制。实验证明了该框架在可控性和可扩展性上的优越性。
- DiffPortrait3D: 控制扩散用于零样画像视角合成
我们提出了 DiffPortrait3D，这是一种条件扩散模型，能够从一个野外肖像合成一致的 3D 真实场景。我们利用大规模图像数据预训练的 2D 扩散模型作为渲染骨干，通过外貌和相机姿势的解耦集中控制对图像进行去噪。我们进一步引入可训练的 - 可控制的人 - 物互动合成
在这项工作中，我们提出了一种名为 Controllable Human-Object Interaction Synthesis (CHOIS) 的方法，它利用语言描述、初始物体和人体状态以及稀疏的物体路点同时生成物体运动和人体动作，通过引 - CDGraph: 双条件社交图通过扩散模型的合成
这篇论文提出了一种基于条件扩散模型的社交网络条件合成方法，该方法通过捕捉双重条件之间的相互依赖关系，并引入社交同质性和社交传染来保持节点之间的连通性，从而生成双重条件下的社交网络。通过与其他四种图生成方法的比较评估，结果表明这种方法在生成双 - 领域引导条件扩散模型的无监督领域自适应
通过引入类别信息和领域分类器，DomAin-guided Conditional Diffusion Model (DACDM) 生成的样本有助于现有的无监督领域自适应方法更轻松地从源域传递到目标域，从而提高了转移性能。DACDM 在各种基 - MoEController: 使用混合专家控制器进行基于指令的任意图像操作
基于扩散模型的文字引导图像生成在开放领域图像处理任务中取得了令人惊讶的进展，本研究提出了一种混合专家控制器的方法，以将不同类型的人类指令与不同的扩散模型的文字引导能力相结合，实现对各种开放领域图像处理任务的处理。