- 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)
- 随机扩散：一种用于随机时间序列预测的扩散概率模型
通过利用扩散概率模型和随机扩散（StochDiff）模型，本研究提出了一种新型方法，学习每个时间步长的数据先验知识，从而更好地对高度随机化的时间序列进行建模，通过实验验证了该方法在随机时间序列预测中的有效性，并展示了在实际医疗指导中的应用潜 - GenPalm：无接触式扩散模型掌纹生成
利用扩散概率模型介绍了一种新的手掌纹理生成方法，并开发了一个端到端框架来合成多个手掌身份，通过多个测试数据库的交叉数据库和时间分离评估协议证实了生成的手掌纹理图像在增强非接触式手掌纹理识别性能方面的有效性。
- Adv-KD: 教师对抗知识蒸馏以加速扩散采样
通过将去噪步骤直接整合到模型的架构中，本研究提出了一种新方法，将扩散模型与生成对抗网络结合起来，通过知识蒸馏实现更高效的训练和评估，从而减少了所需的参数和去噪步骤，提高了测试时的采样速度。
- 学习离散去噪扩散 ODEs
LD3 是一个轻量级的学习时间离散化的框架，可在采样 Diffusion ODE 时与各种求解器结合使用，从而提高采样效率并减少计算开销。
- ICML滴滴：离线行为生成的扩散引导多样性
通过 Diffusion-guided Diversity（DIDI）这种新方法，提出了一种离线行为生成的方法，该方法旨在从混合的无标签离线数据中学习多样化的技能，通过使用扩散概率模型作为先验知识来指导学习过程并规范策略，通过优化考虑多样性 - 基于差异的脑 MRI 病变检测扩散模型
本文提出了一种名为差异分布医学扩散（DDMD）的模型，用于脑 MRI 中的病变检测，通过将异构样本中的分布差异转化为图像级注释的不一致性，保留了像素级的不确定性，并实现了隐式分割集合，最终提高了整体检测性能。通过在包含脑肿瘤检测的多模态 M - 因果扩散自编码器：通过扩散概率模型实现反事实生成
提出了 CausalDiffAE，一种基于扩散的因果表示学习框架，能够根据指定的因果模型实现反事实生成，并通过编码器从高维数据中提取语义上有意义的因果变量，以及使用神经网络参数化潜在因果变量之间的因果机制。
- 神经薛定谔桥匹配用于全色影像锐化
本研究提出了一种基于扩散概率模型和随机微分方程的倒问题方法，通过使用 Schrödinger bridge 匹配方法解决信息损失和采样效率问题，从而提高图像融合的性能。
- AAAI图像超分辨率的高效条件扩散模型与概率流采样
通过基于扩散概率模型的高效条件扩散模型与概率流采样，本文提出了一种能够减少时间消耗并提高超分辨率质量的图像超分辨率方法。
- DiffusionAct：可控的一次性人脸仿真的扩散自编码器
DiffusionAct 是一种利用扩散模型的照片级真实图像生成来进行神经脸部再现的新方法，能够编辑输入图像的脸部姿势，实现一次性、自我和跨主体再现，并展示了优于甚至与 GAN、StyleGAN2 和扩散方法相媲美的再现性能。
- ICLRMG-TSD: 多粒度时间序列扩散模型的引导式学习过程
引入了一种新颖的多粒度时间序列扩散（MG-TSD）模型，通过利用数据中的内在粒度级别作为中间扩散步骤的给定目标来指导扩散模型的学习过程，实现了最先进的预测性能。
- 扩散概率模型的渐进均方误差最优性
该研究论文通过严格证明特定 DPM 去噪策略在大量扩散步骤中收敛于均方误差最优条件均值估计器，为 DPMs 的理论理解做出了创新的贡献，并通过数值结果验证了理论发现。
- CVPR优化时间步长加速扩散采样
通过设计一个优化问题，并使用约束信任区域方法，我们提出了一种针对特定数值 ODE 解算器的扩散概率模型 (DPMs) 寻找更合适的时间步长的通用框架，该框架能显著改善图像生成性能。
- 仲裁者可参与：通过模型反演进行条件生成的替代方法
通过优化传统的采样过程，基于视觉语言模型的训练无生成模型可以实现更好的文本 - 图像对齐。结合 Score Distillation Sampling 模块，我们的方法可以生成高质量的图像。
- 扩散采样中跳过调谐的令人惊讶的有效性
通过引入 UNet 架构，扩散概率模型已成为图像生成任务中的主导力量，文章提出了 Skip-Tuning 方法，在跳跃连接上实现了 100% 的 FID 改进，挑战了 ODE 采样器的限制。
- T-Stitch：使用轨迹拼接加速预训练扩散模型的采样
使用 Trajectory Stitching T-Stitch 技术，通过使用较小的 diffusion probabilistic model（DPM）进行初始步骤，然后在后续阶段转换为更大的 DPM，实现采样效率的提高而无需降低生成质 - 使用分类扩散模型生成合成位置轨迹
运用扩散概率模型 (DPMs) 生成了合成个体位置轨迹 (ILTs)，通过连续 DPM 建模联合分布，将连续变量映射到离散空间后，能够生成逼真的 ILPs 轨迹序列。
- 收缩扩散概率模型
扩散概率模型（DPM）是生成模型中一种有前途的技术，在时间反转的马尔科夫扩散过程和得分匹配的基础上取得成功。然而，鉴于得分匹配可能存在问题，我们提出了一种新的设计 DPMs 的准则 —— 反向采样的压缩，从而构建了一类新型的压缩 DPMs（ - LMD：潜在蒙版扩散技术加速图像重建
本文介绍了一种更快的图像重建框架 LMD，通过潜在遮蔽扩散方法，将高分辨率图像投影和重建在潜在空间中，设计了渐进遮蔽扩散模型，通过三种不同的调度器逐渐提高遮蔽比例，以从简单到困难地重建潜在特征，从而加快模型训练速度，同时保持了原始准确性，并