本研究提出了一种去噪扩散概率模型（DDPM-PCC），旨在解决低比特率点云压缩中的高保真重建问题，并降低所需位数。实验结果表明，该方法在ShapeNet和ModelNet40数据集上优于现有技术。

本研究提出了一种基于目标条件的概率模型预测控制（GC-PMPC）方法，旨在解决多目标灵巧手操控任务中的学习挑战。GC-PMPC在四个模拟场景中优于现有基准，展现了卓越的学习效率和控制性能。

本研究提出了一种基于去噪扩散概率模型的合成框架，旨在解决智能电网中电力流数据获取不足的问题。实验结果表明，该模型在可行性和统计特征准确性方面优于三种基线模型，显示出在电力系统数据驱动应用中的潜力。

本文提出了一种无分类器引导的去噪扩散概率模型框架，解决了气动外形逆设计中的生成精度与性能指标耦合问题。研究表明，该方法提高了33.6%的生成精度，并实现了多样化的压力系数分布，增强了逆设计的应用潜力。

本研究提出了一种基于去噪扩散概率模型的视频摘要生成框架，旨在解决注释不一致性问题。该方法通过概率分布生成摘要，减少主观噪声干扰，展现出良好的过拟合和泛化能力，实验结果验证了其有效性。

本研究提出DiffRaman模型，通过生成合成光谱解决了有限数据下拉曼光谱在细菌识别中的不足，实验结果表明该方法有效提高了诊断准确性。

本研究提出了一种混态量子去噪扩散概率模型（MSQuDDPM），旨在解决量子去噪扩散模型在高保真混淆算子需求中的问题，从而提升生成量子态的能力。

本研究针对超声图像中轮廓模糊和伪影形成问题，提出了一种基于轮廓的概率分割模型CP-UNet，旨在增强分割网络在解码过程中的轮廓聚焦。实验结果表明，该方法在乳腺和甲状腺病变的分割性能上优于多种先进的深度学习分割方法。

本研究探讨流匹配（FM）与扩散概率模型（DPMs）在无训练条件生成中的关系，提出两种后验采样方法，实验结果优于现有技术。

本研究提出了一种新颖的时空引导扩散变换器概率模型(st-DTPM)，有效解决了双时段PET影像的延迟扫描问题，显著提升了影像预测的准确性。

本研究解决了去噪扩散概率模型（DDPM）在高维数据中的迭代复杂度问题，证明其迭代复杂度与内在维度k近似线性相关，展示了其在生成AI中的高效性和潜在影响。

过去十年，自动化方法被开发用于更高效地检测裂缝，替代传统手动检查。语义分割算法在逐像素检测中表现出色，但需要大量标记数据。为此，提出了无监督的UP-CrackNet，通过生成对抗网络恢复破坏区域，实现逐像素裂缝检测。实验显示其性能优于传统无监督算法，并与先进的监督算法相媲美。代码已公开。

本研究针对现有扩散模型收敛理论中严格假设和次优收敛速度的问题，提出了一种新的快速收敛理论。通过确保$\ell_{2}$-准确的评分函数估计，该理论表明目标分布与生成分布之间的总变差距离上界为$O(d/T)$，对任何具有有限一阶矩的目标分布均适用，显著改进了现有的SDE和ODE模型收敛理论。

SLCF-Net通过结合LiDAR和相机数据进行语义场景补全。它使用预训练的2D U-Net进行图像分割，并从Depth Anything中获取深度信息，将2D特征投射到3D场景。通过3D U-Net计算语义，并设计新损失函数确保时间一致性。在SemanticKITTI数据集上表现出色。

本研究提出了一种基于去噪扩散概率模型的方法，解决了高帧率超声成像中高噪声的问题。该方法在模拟数据、幻影和活体图像中均表现出优越的去噪效果，具有临床应用潜力。

通过使用 α 稳定噪声，我们将去噪扩散概率模型（DDPM）扩展为去噪的 Lévy 概率模型（DLPM），并证明 DLPM 与 DDPM 相比基本没有变化，从而使得现有实现可以通过最小的更改实现迁移。DLPM 具有比 LIM 更好的数据分布覆盖尾部、生成不平衡数据集的改进以及更快的计算速度与更少的反向步骤。

该研究使用扩散模型方法进行多线圈磁共振成像和定量磁共振成像重建，实现高加速因子下的高准确性和效率。方法具有泛化能力，适用于各领域反问题。

本文介绍了一种基于去噪扩散概率模型（DDPM）的简单预训练方法，用于牙科放射图像的语义分割。该方法提高了标签效率，不需要修改架构，与现有的最先进的预训练方法相竞争。

通过利用扩散概率模型和随机扩散（StochDiff）模型，本研究提出了一种新型方法，学习每个时间步长的数据先验知识，从而更好地对高度随机化的时间序列进行建模，通过实验验证了该方法在随机时间序列预测中的有效性，并展示了在实际医疗指导中的应用潜力。