- 条件扩散蒸馏
通过图像条件实现的一种新颖的有条件蒸馏方法，将扩散模型的先验知识与图像条件相结合，大大简化了以往两阶段的蒸馏过程，并通过少量的额外参数和冻结的无条件主干网络实现了一种新的高效蒸馏机制，实验结果表明，该方法在多个任务上的表现优于现有的人工蒸馏 - InstructCV: 信息指导下的图文扩散模型作为视觉通才
最近，在生成式扩散模型方面取得的进展使得文本控制下合成逼真多样的图像具备了令人印象深刻的质量。但尽管取得了这些显著进展，将文本到图像生成模型应用于标准视觉识别任务的研究仍然有限。本文提出了一种计算机视觉任务的统一语言界面，该界面抽象了任务的 - MM格点场论中的扩散模型作为随机量化
本研究通过数值模拟，证明了生成扩散模型 (DM) 可以有效减小马尔可夫链中的自相关时间，特别是在临界区域，这对于量子晶格场构型的生成具有重要意义，尤其是当生成大样本集合的成本很高时。
- GenSelfDiff-HIS: 使用扩散进行组织病理学图像分割的生成式自监督
通过利用生成扩散模型，我们提出了一种自监督学习方法，用于分割组织病理学图像，并采用基于多损失函数的微调方法进行下游任务。
- 针对大规模扩散模型的更真实成员推断攻击
本文研究生成扩散模型的会员推断攻击，通过提出一种公正的评估框架，发现之前提出的评估机制无法充分了解该问题的有效性，因此揭示了该攻击仍然是大型扩散模型的难点，难以保护相关的隐私和版权问题。
- 利用生成扩散模型的先验正则化全波形反演
提出了一种使用生成扩散模型优化全波形反演的方法，该方法可以有效地结合地下前期速度模型与地震观测数据，提高了地下模型的重构精度。
- 结构化数据生成扩散模型综述
本文综述了最近的扩散模型在结构化数据中的应用情况及相关研究工作，重点介绍了基于分数的扩散模型理论以及在数据驱动的常规任务和特定领域应用中采用结构化数据模型的先驱工作，分析和讨论了现有工作的局限性和挑战，并提出了潜在的研究方向。
- 深层随机力学
本文介绍了一种基于深度学习的方法，用于时间演化的薛定谔方程的数值模拟，并赋予了随机力学和生成扩散模型的思想。使用我们的方法，可以根据扩散过程来适应波函数的潜在低维结构，具有更低的计算复杂性，也提出了用于随机量子力学的新方程，并进行了数值模拟 - 发生在生成性扩散模型中的自发对称性破缺
本文探讨了生成扩散模型的动力学性质，发现其决定性的相变点将其生成过程分为两个不同的阶段，对此我们提出了一种高斯后初始化方案，可显著提高模型性能，增加样本多样性并减少偏差，实验表明在快速采样上可实现 3 倍的 FID 改进。
- DiffusionShield: 一种适用于生成式扩散模型的版权保护水印
该论文介绍了一种针对生成扩散模型（GDMs）的数字水印方案 DiffusionShield，它将所有权信息编码为不可感知的水印并注入图像中，以保护图像免受 GDMs 产生的版权侵权，并展示了它相对于传统数字水印方法的显著效果。
- 黑化扩散：离散空间生成扩散模型
研究了离散状态下的 Markov 过程以及其反向扩散，提出了命名为 'Blackout Diffusion' 的新的方案，可以从空图像而不是噪声中产生样本，从特定前向过程到离散态过程的泛化可以帮助解释扩散模型。
- 无人监督下生成扩散特征用于 3D 分层结构探索
本研究使用生成扩散模型来发现生物医学三维图像中所有内在层次结构，并设计了三种损失来训练预测性的无监督分割网络，使其能够将三维体积分解为具有层次结构的有意义的子体积，取得了优于现有无监督结构发现方法的性能，可在具有挑战性的仿真数据集和真实的脑 - 结构和内容引导的扩散模型视频合成
本研究提出一种结构与内容导向的视频扩散模型。训练过程基于单眼深度估计，能够控制结构和内容的保真度，并通过新的指导方法使模型展现明确的时间一致性控制。实验结果表明该模型可以实现对视频特征的精细控制，依据少数参考图像定制化编辑，且用户更倾向于使 - 生成扩散模型的噪声估计
本文提出一种简单而通用的学习方案，可针对任何给定步骤逐步调整噪声参数，从而显著提高类比扩散模型的综合结果。