- 从无条件扩散模型中提取训练数据
扩散概率模型的记忆化、理论分析、条件记忆化、数据提取、Surrogate condItional Data Extraction (SIDE)
- CVPR不要丢弃你的样本！有意识的连贯训练有助于条件扩散
本文提出了一种新的方法，名为一致性感知扩散（CAD），通过将一致性信息引入扩散模型，使其能够从带有噪声标注的数据中学习，而无需摒弃数据。该方法在各种条件生成任务上在理论上和实证上表现出很好的性能，能够生成符合条件信息的真实且多样化的样本。
- 利用有损扩散模型增强图像布局控制
扩散模型为一种强大的生成模型，能够从纯噪声中生成高质量的图像。条件扩散模型通过简单的文本提示能够指定所需图像的内容，然而，仅仅基于文本提示无法对最终图像的构成和布局进行细致的控制，而这取决于初始噪声分布。本文探讨了两种改进方法，并演示了当这 - 基于条件扩散模型的快速 LiDAR 数据上采样
本研究介绍了基于条件扩散模型的快速高质量稀疏到稠密三维场景点云的上采样方法，并利用 KITTI-360 数据集证明了该方法在采样速度和质量上优于基准方法。
- CCDM：连续条件扩散模型用于图像生成
连续条件生成建模（CCGM）是一种基于标量连续变量（称为回归标签）的高维数据（通常为图像）的分布估计方法。现有的条件扩散模型（CDMs）在应用于 CCGM 任务时面临着多种挑战，本文介绍了第一种专为 CCGM 任务设计的连续条件扩散模型（C - 扩散模型概述：应用、引导生成、统计速率和优化
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 - 基于分割引导的膝关节 X 射线图像生成，使用条件扩散模型
使用条件扩散模型从轮廓和骨骼分割生成膝关节 X 射线照片，并展示了条件采样和条件训练两种方法能够生成逼真的图像，并且条件训练方法表现优于条件采样方法和传统的 U-Net 模型。
- 基于条件扩散模型合成事件相关电位范式的脑电图信号
通过使用生成模型，特别是扩散模型，可以缓解脑机接口领域中的数据稀缺问题。我们通过引入一种新颖的有条件扩散模型，利用无分类器的指导来直接生成主题、会话和类别特定的脑电图数据。结果表明，该模型能够生成类似于真实数据的脑电图数据。
- CVPR跨越空间和时间分辨率的桥梁建设：基于变化先验和条件扩散模型的参考图像超分辨率
利用土地覆盖变化的先验信息来指导去噪过程的变化感知扩散模型用于参考图像超分辨率重建，通过将先验信息注入去噪模型，提高未改变区域参考信息的利用和已改变区域语义相关内容的重建，以此来改善模型性能。
- AID：文本图像扩散的注意力插值
条件扩散模型通过注意力插值技术实现图像的无缝插值，可用于处理潜在空间的插值问题，同时解决了文本或姿势等特殊条件下的插值问题，并提供了更好的一致性、平滑性和效率性。
- 一步图像翻译与文本到图像模型
通过对抗学习目标，将单步扩散模型通过整合各种模块成为单一的端到端生成网络，以提高其保留输入图像结构并减少过拟合的能力，我们的模型在非配对设置下优于现有的基于 GAN 和扩散的方法，实现了各种场景转换任务，如昼夜转换和添加 / 删除雾、雪和雨 - 揭示具有无分类器指导的条件扩散模型：一个尖锐的统计理论
本文通过提出一种锐利的统计理论，通过采用条件扩散模型进行分布估计，以实现对数据分布平滑性的自适应样本复杂度界限，并与极小 max 求解下界相匹配。通过对条件分数函数的近似结果揭示了理论的关键发展，该结果依赖于一种新型扩散泰勒逼近技术。此外， - 隐式图像到图像的 Schrödinger 桥在 CT 超分辨率和去噪中的应用
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 - 通过条件扩散解码器增强学习图像编解码器的速率失真感知灵活性
通过使用条件扩散模型，本文展示了它作为解码器时在生成式压缩任务中的良好结果，同时通过采样方法，它们还允许在解码器端基于压缩表示创建新的失真和感知之间的权衡点。
- ICLR标签噪声鲁棒扩散模型
使用 Transition-aware weighted Denoising Score Matching（TDSM）训练带有噪声标签的条件扩散模型，其中 TDSM 目标函数包含得分网络的加权和，并整合了实例级和时间相关的标签转移概率。通过 - ICLR跨模态语境扩散模型的文本导向视觉生成与编辑
我们提出了一种新颖而通用的上下文扩散模型 (ContextDiff)，通过将文本条件与视觉样本之间的交互和对齐引入前向和后向过程中，将上下文传播到这两个过程的所有时间步，从而促进跨模态条件建模，在文本到图像生成和文本到视频编辑的两个挑战性任 - 超扩散：利用单一模型估计认知和随机不确定性
通过训练和样本采集大量扩散模型的集合来准确估计表观不确定性（可以通过更多的训练数据来减少的不确定性）和内在不确定性（与手头任务相关的不确定性）在将机器学习（ML）应用于医学影像和天气预报等高风险应用的过程中至关重要。而在模型架构复杂性增加时 - ReCo-Diff: 探索基于 Retinex 的条件策略在扩散模型中用于低光图像增强
提出了一种新的方法 ReCo-Diff，将 Retinex-based 先验作为额外的预处理条件来调节扩散模型的生成能力，进而建立了一种特定于低光图像增强（LLIE）的扩散模型。
- 腹部 CT 的语义图像合成
我们研究了基于条件扩散模型的腹部 CT 语义图像合成，并对三种不同的扩散模型以及其他基于生成对抗网络的方法进行了系统评估。实验结果表明，扩散模型能够合成具有更好质量的腹部 CT 图像。此外，将语义掩码和输入分别编码比简单拼接更加有效。
- 初值向量的人工变换揭示了基于隐变量的扩散模型的脆弱性
初期种子向量对生成样本有重要影响，在条件扩散模型中，选择和影响初期种子向量的研究具有重要意义。