DP-RDM：无需微调将扩散模型应用于私有领域

研究训练以潜在空间作为输入的 LDM 方法，通过预训练的自动编码器提高训练效率，生成高质量合成图像。

提出 DomainStudio 方法，将预先训练的 DDPMs 调整到目标域，实现无条件少样本图像生成。

开发学习差分隐私概率模型（DPPM），生成具有差分隐私保证的高分辨率图像，显著提高视觉质量和数据实用性。

PRIVIMAGE 方法通过精选预训练数据和隐私保护技术，创建高保真度的 DP 数据集，展现出超越业界方法的合成性能。

引入数据集精炼使用扩散模型 (D3M)，通过文本反演技术有效存储和推理新样本，验证了方法的有效性。

使用基于评分的扩散推荐模型（SDRM）生成合成数据，提高了用户隐私保护和数据稀疏问题的解决效果。

成功训练差分隐私图像字幕生成器（DP-Cap），获得高质量图像特征，适用于多种视觉任务。

通过渐进式扩散模型生成高分辨率卫星图像，在远程感知领域取得优越的超分辨率结果。

DATID-3D 方法适用于 3D 生成模型，实现高分辨率、多视角一致的图像合成。