该文章介绍了DiffJSCC框架，利用预训练的文本到图像扩散模型提高信道传输图像的逼真度。实验证明该方法在感知度量方面优于常规方法和深度联合源信道编码方法，尤其在差信道条件和有限带宽下表现出色。DiffJSCC能以每像素不到0.008个符号的速度对768x512像素的Kodak图像进行高度逼真的重建。

研究人员通过从物理机器人收集的数据训练神经网络，提出了一种方法来估计手术模拟器中机器人位置的误差，并将这些误差注入模拟器中，以产生具有物理机器人特性的仿真机器人。实验结果显示，误差注入显著降低了模拟机器人与物理机器人之间的平均位置和方向差异。

该文章介绍了一种利用预训练扩散模型的新学习方法，通过建模多视图渲染与扩散先验之间的分布差异，实现了高保真度和逼真度的三维内容生成。该方法利用生成对抗网络和扩散模型先验，在单张图像和提示条件下促进了各种三维应用。实验结果显示该方法在生成质量和多样性方面具有优势。

本文介绍了一种解决模拟训练中现实差距问题的方法，通过随机化模拟器的动力学，开发出适应不同动力学的策略，并在真实世界中推广。在机器人控制方面，该方法在物体推动任务上表现出良好性能。

本研究分析了超过100k张胸部X射线图像及其人工合成的副本，确认了保真度、多样性和隐私性之间的平衡问题，并指出了高效实用性的图片也可以是模式坍塌图像和低保真度图像。实验还表明，还可能生成既高效实用又隐私保护的图像，为隐私保护应用中的深度生成模型提供强有力的理论支持。