因子化扩散：通过噪声分解引起的感知错觉

去噪扩散模型可以条件生成和密度建模复杂关系，如图像和文本。

提出了一种新颖的扩散采样策略，能够更快和更精确地进行采样，重构质量在医学逆成像问题中达到最先进水平。

扩散模型推广到旋转坐标系，引入模糊扩散，改进了图像生成过程，实验结果优于之前的方法。

通过条件输入的两个latent codes，实现了图像的有效操控和转化。

提出了一种室内场景外观分解的生成模型，利用概率形式处理外观分解的挑战，显著提高了反照率预测的准确性。

对文本到图像模型中的特征表征进行了分解，发现某些概念由特定实例主导，能够实现单幅图像分解和语义图像操作。

基于分解和干扰感知的图像融合方法，改善了复杂场景中的干扰像素识别，得到了优越的图像融合效果。

设计了一种可控盲图像分解网络，允许用户选择去除或保留的降解类型，实现高效的盲图像分解任务。

提出了一种零通道方法合成多视角光学幻象，展示了该方法的有效性和灵活性。

发展了一种无监督的神经网络架构，能够生成和分割图像，实现准确的无监督图像分割和高质量的合成图像生成。