- 普适的扩散概率模型求解搜索统一抽样框架
通过提出一个统一的采样框架（USF）研究求解器的可选策略，我们进一步揭示出采取不同的求解策略在不同的时间步骤可能有助于进一步减少截断误差，且精心设计的求解器计划有潜力在较大程度上提高样本质量。我们还提出了 $S^3，一个基于预测模型的搜索方 - FreeFlow: 通过最优传输对扩散概率模型进行全面理解
FreeFlow 是一个框架，以时间依赖的最优输运来解释扩散公式，其中概率密度的演化模式由 Wasserstein 空间中的泛函梯度流给出，既阐明了 DPMs 的微妙机制，也通过创造性地涉及 Lagrangian 和 Eulerian 观点 - 跨模式人脸识别通过受控扩散
通过建立理论连接和概率传递，DiFace 是一种通过可控的扩散过程来实现面部识别的解决方案，不仅在更广泛的任务领域释放了 DPMs 的潜力，而且在文本到图像的面部识别中实现了显著的准确性，这是我们知道的首次，这一点通过我们在验证和识别实验中 - 关于 DPM 求解器的精确反演
通过隐式方法，我们提出了能够在 DPM 求解器中进行精确反演的算法，可以显著减少图像和噪声重建的错误，增强识别隐藏水印的能力，并保持图像编辑过程中的背景稳定。
- FLAIR：一种有条件的扩散框架及其在人脸视频修复中的应用
提出了一种名为 FLAIR 的条件扩散框架，用于解决人脸视频修复问题，并通过将传统的图像 DPM 转换为视频 DPM，通过递归视频细化层和不同尺度的时间自注意力来确保计算效率方面的时间一致性。FLAIR 还使用条件迭代细化过程来在推理过程中 - 使用扩散概率模型的集合多样性减少快速选择偏差
在这项工作中，我们提出了一种利用扩散概率模型（DPMs）来减轻简洁性偏见的集成多样化框架。我们展示了在特定训练间隔中，DPMs 能够生成具有新颖特征组合的图像，即使在训练时显示相关输入特征的图像。我们利用这一关键属性通过集成差异来生成合成的 - MRI 中扩散概率模型新兴应用调查
磁共振成像（MRI）应用领域中扩散概率模型（DPMs）的综述，包括 DPM 理论介绍、MRI 中的重建、异常检测等方面，以及 DPM 的限制和未来研究方向。
- DPM-Solver-v3：改进的扩散 ODE 求解器与经验模型统计
该研究提出了一种新的改进方法，通过最小化高保真图像生成中的采样误差，建立了一种针对传播概率模型的新的快速 ODE 求解器 DPM-Solver-v3，并通过引入一些在预训练模型上高效计算的系数，提高了样本质量。
- EMIT-Diff：通过文本引导的扩散模型增强医学图像分割
本文提出了一种用于医学图像合成的新方法，即 EMIT-Diff，它利用最近的扩散概率模型生成逼真且多样化的合成医学图像数据，并确保合成样本符合医学相关约束并保留成像数据的底层结构。在多个数据集上进行的实验证明了 EMIT-Diff 在医学图 - 扩散随机特征模型
我们提出了一种受扩散模型启发的深度随机特征模型，它具有可解释性，并给出了与具有相同可训练参数数量的全连接神经网络相当的数值结果。我们通过对采样数据分布和真实分布之间的得分匹配性质的属性来推导了随机特征的泛化界限，并通过在时尚 MNIST 数 - 利用扩散分解表示缓解不完全规定的视觉任务中的捷径
通过使用扩散概率模型生成合成的反事实情况，我们提出了一种集成多样化框架，用于处理数据中的错误相关性和捷径学习现象，实验证明扩散引导的多样化能够使模型避开捷径线索，获得与额外数据采集方法相当的集成多样性性能。
- 治疗感知扩散概率模型用于纵向 MRI 生成和弥散性胶质瘤生长预测
扩散性胶质瘤的成长建模具有挑战性，本论文提出了一种新颖的端到端网络，可生成未来肿瘤掩模和不同治疗计划下肿瘤在任何未来时间点的真实磁共振成像。该模型基于尖端的扩散概率模型和深度分割神经网络，通过扩展扩散模型以包括顺序多参数 MRI 和治疗信息 - SA-Solver: 随机亚当求解器用于快速采样扩散模型
该研究通过对扩散概率模型中的随机采样进行综合分析，从方差控制的扩散 SDE 和线性多步 SDE 求解器两个方面提出了改进的高效随机 Adams 方法 SA-Solver，用于生成高质量的数据，在少量函数评估次数下取得改进或可比性能，并在适当 - 扩散语言模型：随着规模和指导微调可执行多种任务
扩展极限语言模型、数据和任务规模可有效地使扩散式语言模型成为强大的语言学习者，并且通过指令调优可以实现零射击和小批量上下文学习能力。
- 利用自适应动量采样器提升扩散模型
该论文介绍了一种逆向采样器，灵感来自广泛使用的 Adam 优化器，用于改进扩散概率模型 (DPMs) 的采样过程，以实现平稳的图像生成和增强质量。实验结果表明，该逆向采样器相对于基线模型取得了显著的改进。
- 通过对抗性噪声实现扩散模型中的高效迁移学习
本文提出了一种基于 DPMs 的迁移学习方法 TAN，通过相似性引导训练和对抗性噪声选择两种策略，解决了数据有限的问题，实验表明相比现有的基于 GAN 和 DDPM 的方法，我们的方法在图像质量和多样性方面表现出色且高效。
- ICCV扩散模型作为表示学习器
通过深入研究 DPM 的表示能力，提出了一种名为 Repfusion 的新型知识迁移方法，该方法利用生成型 DPM 获取的知识用于识别任务，通过强化学习动态地根据不同的时间步骤从现成 DPM 中提取表示并作为学生网络的监督，实验证明此方法在 - 辅助引导下的对比扩散模型用于粗到精 PET 重建
通过粗略到精细的正电子发射断层扫描重建框架，结合辅助指导策略和对比扩散策略，本文提出了一种优化低剂量 PET 图像的方法，改善了 LPET 图像与重建 PET 图像之间的对应关系，提高了临床可靠性。
- SciRE-Solver: 基于得分积分器和递归导数估计的扩散概率模型高效采样
提出了一种适用于扩散概率模型的高效取样器，通过引入分数积分解算器和递归导数估计方法，实现了具有收敛性保证的高效取样算法，与现有的无需预训练的取样算法相比，在离散时间和连续时间的扩散概率模型上取得了最先进的取样性能。
- ICCV基于草图和文本引导的着色点云生成扩散模型
本文提出了一种基于素描和文本引导的彩色点云生成概率扩散模型，通过结合物体的手绘素描和文本描述，联合进行去噪过程，逐步扩散点坐标和颜色值以达到高斯分布，从而产生所需形状和颜色的彩色点云生成结果。