- AniRes2D：二维 MR 超分辨率的各向异性残差增强扩散
使用去噪扩散概率模型对各向异性低分辨率磁共振图像进行超分辨率重建，提出了结合残差预测的 AniRes2D 新方法。实验结果表明 AniRes2D 在定量度量、视觉质量和跨域评估等方面优于其他基于 DDPM 的模型。此外，通过逐层超分辨率重建 - ResEnsemble-DDPM：残差去噪扩散概率模型的集成学习
将去噪扩散概率模型与现有的端到端模型相融合，通过集成学习引入残差项，提出 ResEnsemble-DDPM 模型，进一步提升图像分割模型的性能，并且该集成学习策略可推广到图像生成的其他任务，具有强大的竞争力。
- 无注意力的扩散模型
高分辨率图像生成中的噪声扩散概率模型（DDPM）是研究的关键，通过引入扩散状态空间模型（DiffuSSM）架构来处理高分辨率图像的生成和表示，从而显著降低计算复杂度，并展示了与使用注意力模块的扩散模型相媲美甚至优于的生成图像质量和计算效率。
- 利用共享表示优化去噪扩散概率模型
本研究提出一种名为 SR-DDPM 的新方法，通过利用少样本表示学习技术，解决面临有限数据的多任务图像生成挑战，以提高图像质量，并在标准图像数据集上对其进行评估，发现其在 FID 和 SSIM 指标上优于无条件和有条件的 DDPM。
- Resfusion: 先验残差噪声嵌入去噪扩散概率模型
最近，通过生成以输入图像为条件的分割掩模，去噪扩散概率模型广泛应用于图像分割。然而，以往的研究无法无缝地将现有端到端模型与去噪扩散模型结合使用。我们提出了一种新的去噪扩散过程，Resfusion，通过马尔可夫过程在似然输出和实际输出之间建立 - 基于扩散模型的脑驱动表示学习
运用扩散概率模型 (Denoising diffusion probabilistic models) 和条件自编码器构建的新方法，在分析与言语相关的脑电信号方面取得了令人瞩目的结果，优于传统机器学习算法和基准模型，显示出扩散概率模型在语音 - 时序集成扩散模型的稳健半监督分割
本研究侧重于使用扩散模型进行半监督图像分割，特别是针对领域泛化问题，结论表明较小的扩散步骤生成的潜在表示比较大的步骤更具鲁棒性，通过利用信息密集的小步骤和较大步骤的正则化效果生成预测，该模型在领域变化设置中表现出明显较好的性能且在领域内保持 - 硬件受损通信系统的去噪扩散概率模型：朝着无线生成 AI
本文提出了基于去噪扩散概率模型的无线通信方案，旨在解决实际应用中的硬件损伤、信道失真和量化误差等非理想因素，提供低信噪比下的网络韧性、对不同硬件损伤水平和量化误差的近不变重建性能，以及抵抗非高斯噪声的强大分布外表现，并通过余弦相似度和均方误 - RAEDiff：基于可逆对抗样本自动生成和自恢复的去噪扩散概率模型
通过 DDPM 中的先验知识，将数据集扩散到偏差高斯分布 (BGD) 中，利用 RAEDiff 这种自我生成和自我恢复方法，生成并恢复用于深度神经网络 (DNN) 模型的可逆对抗扰动 (RAEs)，实验证明 RAEDiff 可有效自动生成 - 电子病历时间序列的快速可靠生成方法
使用去噪扩散概率模型（DDPM）生成多样且逼真的合成电子健康记录时间序列数据，提高数据效用且减少训练工作量，从而改善医疗数据分析。
- 使用向量量化离散扩散模型进行特定作曲家风格的符号音乐生成
通过将矢量量化变分自编码器（VQ-VAE）与离散扩散模型结合，我们提出了一种生成具有目标作曲家风格的符号音乐的方法，结果表明，我们的模型在满足给定条件的情况下以 72.36% 的高准确率生成符号音乐。
- 去噪扩散概率模型的生成型量子机器学习
基于经典对应物，我们提出了量子去噪扩散概率模型（QuDDPM），以实现对量子数据的高效可训练生成学习。
- 复制检测模式的随机数字孪生
该研究通过比较 Turbo 框架和 Denoising Diffusion Probabilistic Models 在 CDP 数据集上的能力，旨在确定 DDPM 模型在 CDP 安全的数字孪生应用中的实际益处，并评估所研究模型在移动电话 - SatDM：使用扩散模型进行语义布局调节的合成逼真卫星图像
利用条件 DDPM 模型生成高质量、多样化和准确的卫星图像，以及改进噪声调度、自适应归一化和自注意机制，通过算法和人类意见研究验证其在数据增强等实际应用中的有效性。
- 评估去噪扩散概率模型在重现空间上下文方面的能力
通过使用随机上下文模型（SCMs）产生训练数据，首次对 Denoising Diffusion Probabilistic Models（DDPMs）在医学成像领域相关信息学习能力进行了系统评估，结果表明 DDPMs 在生成具有空间上下文的 - Gradpaint: 基于梯度引导的扩散模型修复
GradPaint 是一种用于图像修复的方法，通过计算模型的损失与输入图像的相干性，并使用扩散模型本身的梯度来引导生成过程，从而改善了目前基于监督和非监督方法的最新技术。
- 遮蔽扩散作为自监督表示学习者
最近，去噪扩散概率模型展示了最先进的生成性能，并被用作强大的像素级表示学习器。本文将扩散模型内在的生成能力与表示学习能力之间的相互关系进行了分解。我们提出了掩蔽扩散模型 (MDM)，这是一种可扩展的自监督表示学习器，用于将传统扩散中的加性高 - DermoSegDiff: 一种边界感知的皮肤病变分割扩散模型
皮肤病变分割在皮肤病的早期检测和准确诊断中起着至关重要的作用。本论文提出了一种新的框架 DermoSegDiff，它在学习过程中融入边界信息，并引入了一种新的损失函数来优先考虑边界，并逐渐降低其他区域的重要性。我们还引入了一种基于 U-Ne - ICCVDiffPose：基于视频的人体姿势估计的时空扩散模型
DiffPose 是一种新颖的扩展扩散模型，将基于视频的人体姿势估计作为条件热图生成问题，并通过多组姿势估计的结合以及迭代步骤的调整来提高预测准确性，成功地在 PoseTrack2017、PoseTrack2018 和 PoseTrack2 - TEDi: 长期运动合成的时间交织扩散
我们提出了一种将渐进扩散概念（沿着扩散时间轴操作）扩展到运动序列的方法，用于支持时变去噪，从而将两个轴相互纠缠，通过迭代去噪逐渐增加噪声位移的动作缓冲区，并产生任意长的帧流，为长期运动合成提供了新的框架。