通过大规模文本到图像扩散模型进行数据提炼，我们提出了一种高效的方法，通过调整通用化特征的基础生成对抗网络模型，减少培训成本和存储，实现实时高质量的图像编辑。

最新的文本到图像扩散模型在文本到三维生成领域取得重大突破，通过文本提示和手绘草图创作准确忠实的三维场景，提高用户可控性和交互式控制能力。

本研究提出了一种快速采用的文本到图像扩散模型，通过分布对齐损失和有偏直接微调，解决了职业提示中的性别、种族偏见。方法具有可扩展性，支持多样观点公平，对文本到图像生成人工智能的社会调整有所帮助。

本文提出了注意力隔离损失和注意力保留损失两种测试时间注意力损失函数，可提高预训练的基线文本到图像扩散模型的性能。注意力隔离损失减少了注意力图之间的交叉重叠，注意力保留损失则强制保留所有概念的交叉注意力信息，减少信息丢失。

DreamAvatar是一个生成高质量、可控制姿态的3D人类头像的框架，使用可训练的NeRF生成3D点密度和颜色特征，以及预先训练的文本到图像扩散模型提供2D自监督。经过评估，证明DreamAvatar优于现有方法，为文本和形状引导的3D人体生成设立了新的技术水准。

DreamAvatar是一个生成高质量、可控制姿态的3D人类头像的框架，使用可训练的NeRF生成3D点密度和颜色特征，以及预先训练的文本到图像扩散模型提供2D自监督。经过评估，证明DreamAvatar优于现有方法，为文本和形状引导的3D人体生成设立了新的技术水准。

本文介绍了DiffBIR，一种利用预训练的文本到图像扩散模型解决盲目图像恢复问题的方法。该方法采用两阶段流程，第一阶段通过在各种退化情况下预训练恢复模块来提高泛化能力，第二阶段利用潜在扩散模型的生成能力实现逼真的图像恢复。实验证明该方法在盲目图像超分辨率和盲目人脸恢复任务上优于现有方法。

本文介绍了一种创新的样式引导扩散模型 (SGDiff)，结合了图像模态和预训练的文本到图像扩散模型，以促进创意时尚图像合成。通过混合补充样式引导克服了文本到图像扩散模型的局限性，降低了训练成本，并解决了仅依靠文本输入来控制合成样式的困难。引入了一个新的数据集 - SG-Fashion，提供高分辨率图像和广泛的服装类别。通过削减研究，验证了该模型在生成所需类别、产品属性和样式的时尚图像方面的有效性。贡献包括一种新颖的无分类器引导多模态特征融合方法，提供全面的数据集，对条件文本到图像合成进行了深入研究，并为将来的研究提供了有价值的见解。