Github
论文Diffusion-Models-Papers-Survey-Taxonomy 项目简介
项目概述
Diffusion-Models-Papers-Survey-Taxonomy 项目专注于收集和分类扩散模型领域的学术论文，基于已被 ACM Computing Surveys 接受的综述论文《扩散模型：方法与应用的全面综述》展开。由于该领域发展迅速，项目计划持续更新相关论文及汇总资料。
项目以提供扩散模型方法和应用的全面视角为目标，通过分类和调查最新的研究成果，为研究人员和行业从业者提供参考。
分类目录
算法分类
-
采样加速增强
- 无监督采样：包括 SDE 求解器和 ODE 求解器的方法。
- 基于学习的采样：使用优化离散化、知识蒸馏、截断扩散等技术。
-
似然最大化增强
- 噪声调度优化、逆方差学习、精确似然计算等。
-
特殊结构数据
- 处理具有流形结构、不变结构及离散数据的技术。
-
多模态大模型与扩散结合
- 包括简单组合和深度协作的方法。
应用分类
-
计算机视觉
- 涉及图像超分辨率、修复和翻译，语义分割，视频生成，3D生成，异常检测和目标检测。
-
自然语言处理
- 包括文本生成和离散状态空间中的噪声消除扩散模型。
-
时间序列数据建模
- 时间序列插补和预测，波形信号处理等。
-
多模态学习
- 从文本到图像、3D、音频、动作、视频的生成和编辑。
-
鲁棒学习
- 数据净化及通过生成合成数据来提升鲁棒性的学习。
-
分子图建模
- 涉及分子构象生成及3D形状预测等。
-
材料设计
- 包括周期性材料生成及专有抗体设计。
-
医学图像重建
- 利用扩散模型解决医学成像中的逆问题，如MRI的加速重建。
与其他生成模型的联系
该项目也探讨了扩散模型与其他生成模型（如变分自编码器、生成对抗网络、归一化流、自动回归模型、能量模型）的关联，探索其在生成领域的不同优势与应用场景。
项目更新与未来发展
项目团队将持续跟踪扩散模型领域的最新研究进展，不断更新和完善分类及相关资料，为研究人员提供一站式的学术资源库。同时，该项目也欢迎社区成员的积极参与与反馈，共同推动技术的进步和应用的广泛落地。
