潜在图扩散：一种在图上生成和预测的统一框架
内容提要
本文综述扩散模型在图与图像生成中的应用，包括布局扩散模型生成图形布局、GODM缓解图异常检测类别不平衡、SGDM提升图生成可扩展性、EDGE高效生成大图、DiffuseSG实现场景图生成，以及文本图像编辑、结构设计生成和文本生成等研究。
延伸解读
扩散模型在图生成中的多样化应用
文章展示了扩散模型在图生成中的多种应用，包括布局生成、异常检测、可扩展图生成、大图生成和场景图生成。这些工作表明扩散模型不仅能处理传统图像任务，还能适应图结构数据的生成需求，为图生成领域提供了新的思路和方法。
扩散模型在跨领域生成中的扩展
除了图生成，扩散模型还被应用于文本图像编辑、结构设计生成和文本生成等领域。例如，基于文本的图像编辑方法提高了编辑效率和精度；结构设计生成框架能产生近乎最优的设计；在文本生成中，潜在扩散模型优于自回归基线。这些跨领域应用显示了扩散模型的通用性和灵活性。
理论进展与统一框架的探索
文章提到了一项理论研究，将扩散模型视为具有未观察到扩散轨迹的潜在变量模型，并提出了扩散桥过程，实现了端点的确定值和约束条件。这为扩散生成模型提供了理论误差分析和统一的学习方法，并在图像、语义分割和3D点云生成中表现出色。
Q&A
布局扩散生成模型是什么？它有什么特点？
布局扩散生成模型是一种用于生成图形布局的扩散模型，旨在构建元素分类、大小、位置和元素之间关系不同的图形场景中的图形布局。它通过解耦扩散算法实现单个协调的布局生成任务，可生成任意可用元素属性条件下的布局，实验证明其在功能和性能方面都优于现有的布局生成模型。
GODM 如何解决图异常检测中的类别不平衡问题？
GODM 是一种数据增强方法，通过潜在扩散模型生成类似真实异常节点的合成图数据，并通过迭代去噪学习真实有机数据的潜在空间分布，从而缓解监督图异常检测中的类别不平衡问题。
SGDM 在图生成方面有什么创新？
SGDM 是一种基于子图扩散的新型图生成框架，它提高了图扩散模型的可扩展性和准确性，并通过逆过程执行多种条件生成任务，包括去噪、扩展和样式迁移等。
EDGE 模型如何高效生成大图？
EDGE 是一种新型扩散生成图模型，通过在每个时间步骤随机删除边并最终获得空图的离散扩散过程，鼓励图结构的稀疏性，使其更有效率地生成包含上千节点的大型图，并明确将图中节点度数建模，与基线模型相比，生成的图像质量更高，具有更相似的图统计特征。
DiffuseSG 模型在场景图生成中有什么作用？
DiffuseSG 模型用于联合场景图像生成任务，探索生成逼真的场景图，使得图像生成具备高效和可解释性的控制能力，并展示了该模型在场景图生成以及相关应用中的优越性。
扩散模型在文本生成中如何应用？
该研究将扩散模型作为基于预训练语言模型的生成算法的辅助方法，通过在预训练的编码器-解码器模型的潜在空间中学习连续的潜在扩散模型，演示了其在从数据分布中生成文本方面的有效性。最终提出的潜在扩散模型不仅在生成新颖文本方面优于强有力的自回归基线，还支持可控的生成。
