本文介绍了一种基于无监督学习的生成扩散先验（GDP）方法，利用预训练的去噪扩散生成模型进行盲图像恢复。实验结果表明，GDP在图像重建质量上优于现有方法。此外，DiffPIR和DiffBIR等新方法在图像恢复任务中也表现出色，推动了扩散模型在图像修复领域的应用。

本文探讨了加速去噪扩散生成模型的生成过程，提出了高效的量化策略和优化方法，以提高模型性能和压缩效率。研究包括量化感知的低秩适配器、后训练量化方法及新基准QDiffBench，实验结果表明这些方法在图像生成和性能保持方面优于现有技术。

该研究提出了一种新颖的双二值化方法（DB-LLM）和高效的优化策略，以提高大型语言模型的计算效率和准确性。通过量化感知的低秩适配器和全局、局部策略，显著优化了低位扩散模型的性能，并介绍了加速去噪扩散生成模型的技术，提升了图像生成的效率和质量。

本文提出了一种基于去噪扩散生成模型的语义分割方法，利用条件DDPM生成高质量图像，并通过“attn2mask”实现无监督训练。实验结果表明，该方法在多个数据集上显著提高了分割性能，减少了对真实标注的依赖。

本文介绍了一种基于无监督学习的生成扩散先验（GDP）方法，可用于盲图像恢复。该方法采用预训练的去噪扩散生成模型（DDPM）来建模后验分布，并通过优化退化模型参数来实现图像恢复。实验结果表明，GDP 在各种图像重建质量和感知质量的基准测试中表现优异。