TI2V-Zero是一种无需优化或微调的零样本方法，通过使用预训练的文本到视频扩散模型，在给定图像的条件下生成实际视频。该方法使用“重复滑动”策略来引导视频生成，并提供了一种保持视觉细节的新合成帧初始化和重新采样技术。TI2V-Zero在实验证明了其优越性能，并能够扩展到其他任务和支持长视频生成。

本文通过随机微分方程连接种植扩散模型，改进贝叶斯流网络，提出专用求解器，提高样本质量，速度提高5到20倍。

通过辅助扩散模型的框架，提出了一种检测异常分子的方法。通过比较输入分子和重构图的相似性，并使用迭代去噪过程量化匹配度，构建符合正常分子但远离异常分子的典型图。使用高效可扩展的异常检测器，比较测试样本与典型图的相似度，省略每个新分子的生成过程。

该研究提出了Adv-Diffusion框架，生成逼真的对抗性图像。通过生成语义扰动的身份敏感条件扩散生成模型，设计了自适应强度的对抗性扰动算法。实验证明该方法在FFHQ和CelebA-HQ数据集上表现出卓越性能。

RenderDiffusion是一个用于3D生成和推断的扩散模型，使用单眼2D监督进行训练，并采用新颖的图像去噪架构来提供中间的三维表示。该模型在多个数据集上评估，展示了生成和推理3D场景的竞争性表现。此外，该方法还可以使用2D修复来编辑3D场景。

传统扩散模型通常依赖于固定的前向过程，本文引入神经流扩散模型（NFDM），通过支持更广泛的前向过程以及提出一种新颖的参数化技术来增强扩散模型，实现了无需模拟的端到端优化目标，从而有效地最小化负对数似然的变分上界。实验证据显示 NFDM 具有出色的性能，表现为最先进的似然估计。此外，我们还研究了 NFDM 在学习具有特定特征的生成动态，如确定性直线轨迹方面的潜力，这一探索彰显了 NFDM 的多样性和广泛应用潜力。

利用扩散模型的重构误差作为无监督的遥感图像越界检测器，引入了一种新型重构得分器 ODEED，并在类地理偏移和近越界设置下，在 SpaceNet 8 上进行了实验验证。结果表明，ODEED 得分器在洪水图像检测等更具挑战性的近越界场景中明显优于其他基于扩散和判别的基准，为利用生成模型进行遥感异常检测铺平了道路。

使用潜在扩散模型在零样本的情况下，通过选择特征和后处理进行文本引导的医学扫描的定位，相比于显式对齐图像与文本的联合嵌入空间的最新方法表现出竞争力并在多种病理类型上优于它们。

利用扩散模型技术将二维图像转化为三维体积，从医学角度解决了之前研究中的两个限制，并通过像素强度随机变换训练和推断，使得扩散模型能在传统射线照片上进行可靠的深度学ä¹

通过使用 CLIP 模型提取的图像和文本特征以及多层感知器（MLP）分类器，本研究引入了一个强大的检测框架，并提出了一种能够改善检测器鲁棒性的新型损失函数，以及在模型训练中平整化损失函数空间从而改善检测器的泛化能力。通过大量实验证明了我们方法的有效性，超越了传统检测技术，在 DM 生成的图像检测领域有望成为新的最先进方法。