- 超越构成式推理，DDPMs 能够产生零样本插值
Denoising Diffusion Probabilistic Models (DDPMs) can effectively generate images in unexplored regions of the data distr - 医学图像生成的快速去噪扩散概率模型
Fast-DDPM 是一种简单而有效的方法，可同时提高训练速度、采样速度和生成质量，通过仅使用 10 个时间步进行训练和采样，相比 DDPM，Fast-DDPM 能够在医学图像生成任务中优于基于卷积网络和生成对抗网络的当前最先进方法，并将训 - SubGDiff：一种改善分子表示学习的子图扩散模型
本文介绍了一种新颖的分子表示学习方法，通过将分子子图信息纳入扩散过程中，提升了分子表示学习的效果。实验结果表明，该方法在下游任务中具有更好的性能表现。
- 全球反事实方向
本文研究了一种全局化的视觉反事实解释方法，通过发现扩散自动编码器的潜在空间可以编码给定分类器的推理过程，提出一种新的基于代理的方法，以完全黑盒方式推断出两种全局反事实方向（GCDs），并展示了与潜在综合梯度相结合的新的黑盒归因方法，同时加强 - CVPR结构的重要性：解决图像修复中扩散模型的语义差异问题
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。
- Iso-Diffusion：使用加性高斯噪声的各向同性改善扩散概率模型
通过利用附加噪声的各向异性作为目标函数的约束条件，提高了去噪扩散概率模型（DDPMs）的保真度指标。
- DiffSTOCK：基于扩散模型的概率关系型股市预测
我们提出了一种通用去噪扩散概率模型的方法，用于股票市场预测和投资组合管理。我们展示了去噪扩散概率模型在处理不确定性方面的有效性，并利用模型在时间序列预测中模拟更高的不确定性。此外，我们还提供了一种新颖的确定性架构 MaTCHS，利用蒙版关系 - DiffFinger: 通过去噪扩散概率模型推进合成指纹生成
该研究探索了使用去噪扩散概率模型（DDPMs）生成合成指纹图像。相对于收集真实生物识别数据所面临的隐私和多样性数据需求困难，本研究旨在提出 DDPMs 作为一种既真实又多样的合成生物识别替代方案。结果显示，DiffFinger 不仅在质量上 - Diffusion-TS: 通用时间序列生成的可解释扩散
Denoising diffusion probabilistic models (DDPMs) are becoming the leading paradigm for generative models. In this paper, - 在小波域中的语音扩散模型加速：一种简单高效的方法
我们通过将生成目标定向到小波领域，将自波领域生成模型的训练和推理速度提升一倍，在语音合成任务中实现与原模型相媲美或更高的性能，并且证明了该方法的多功能性。
- 六个简单步骤的去噪扩散概率模型
通过六个简单步骤清晰陈述，简化并阐明噪声扩散概率模型（DDPM）的构建及其工作原理。
- 非线性系统的去噪扩散控制
我们提出了一种基于去噪扩散概率模型（DDPMs）的新方法来控制非线性动力系统。我们将反馈控制问题作为一个从目标集合中绘制样本的生成任务，并且通过 DDPMs 的正向过程以添加噪声的方式构造起源于目标集合的轨迹。我们学习使用反向方法来控制动力 - MM量子生成扩散模型
此研究介绍了量子生成扩散模型（QGDM），一种完全的量子力学模型，用于生成量子态系列，灵感来自去噪扩散概率模型。QGDM 通过引入时间步骤相关的噪声进入量子态，并配对训练以逆转这种污染的降噪机制，高效地将完全混合态演化成目标量子态。与量子生 - FedTabDiff: 合成混合类型表格数据生成的扩散概率模型联合学习
通过引入 Federated Tabular Diffusion (FedTabDiff)，旨在无需中心化访问原始数据集的情况下生成高保真度的混合类型表格数据，从而解决了保护隐私、混合属性类型和隐含关系等表格数据固有的复杂性问题。该方法采用 - 镜面扩散：通过提示重述和更多方法稳定零样本图像翻译过程
最近，文字到图像扩散模型成为图像处理领域的一种新范式，包括内容生成、图像恢复和图像到图像的转换。本文提出了一种 Prompt 重新描述策略，以实现扩散模型中源图像和重构图像的镜像效应，从而实现准确的零样本图像翻译。
- DiffYOLO：基于 YOLO 和扩散模型的抗噪声目标检测
利用 DiffYOLO 框架提取特征图以增强已训练模型，从而使在高质量数据集上微调 YOLO 模型并在低质量数据集上进行测试成为可能。该框架不仅能在嘈杂的数据集上提升性能，还能在高质量测试数据集上证明检测结果。
- AAAISO (3) 上扩散生成模型的统一框架：在计算机视觉与天体物理学中的应用
我们开发了基于分数的生成模型（SGMs）和去噪扩散概率模型（DDPMs）的扩展，用于三维旋转的李群 SO（3），并应用于合成密度和姿态估计任务，在天体物理学 / 宇宙学中预测相关星系方向。
- 解构扩散模型中 Unet 的时态动力学
通过研究 Unet 在去噪扩散概率模型中的动态行为，我们系统评估了时间步长和核心 Unet 组件对最终输出的影响，发现其中的生成阶段和 Unet 在推断中的使用模式，进而识别出改进 DDPM 中的冗余以提高推断速度，同时在输出质量方面几乎没 - ClusterDDPM：一种带有去噪扩散概率模型的 EM 聚类框架
利用新型的去噪扩散概率模型（DDPMs）引入创新的期望最大化（EM）框架进行聚类，通过优化学习聚类友好的潜在表示，有效地提高了聚类、无监督条件生成和潜在表示学习的性能。
- 考虑不确定性的代理模型用于具有去噪扩散概率模型的翼型流动模拟
利用去噪扩散概率模型 (DDPMs) 训练一种具有不确定性意识的代理模型用于湍流仿真，结果表明 DDPMs 能够成功捕捉解的完整分布并准确估计仿真的不确定性。与贝叶斯神经网络和异方差模型相比，DDPMs 在各种准确性指标上表现更好，并提供完