本研究提出了一种基于预训练扩散模型的生成语义多播框架，旨在提高未来无线网络中多用户的意图感知通信效率。该框架有效降低用户延迟，同时保持高信号质量。

本研究提出了一种基于预训练扩散模型的零-shot方法，解决4D人机交互生成中的数据不足问题。通过Lang-SAM优化接触部位和线性混合皮肤功能，提高了生成的一致性和鲁棒性，为人本4D内容创作开辟了新方向。

本文介绍了一种基于预训练扩散模型的艺术风格转换新方法，利用自注意力层特征实现样式传递与内容保留，有效解决了内容破坏和颜色不协调的问题。该方法在传统和扩散风格转换基准测试中表现优越，能够高效、精确地进行任意图像风格转移，保持内容与风格的和谐平衡。

本研究提出了一种基于预训练扩散模型的多器官CT图像分割方法，能够在少量标记数据下实现高效分割。结合CT和MRI扫描，开发了不依赖CT分割标准的脑室分割技术，提升了分割的准确性和多样性。此外，设计了无监督分割网络，优化了3D图像的层次结构发现，展示了优于现有方法的性能。

本文介绍了一种新方法，利用预训练扩散模型进行图像生成，能够在无额外输入的情况下根据提示文本恢复鲜艳颜色。该方法在图像重建质量、颜色保真度和多样性方面优于以往研究。通过软提示，模型从参考图像中学习并生成新实例，增强了文本引导的编辑能力。此外，该方法在文本到3D转换等其他任务中也表现出良好的适应性，证明了其有效性和灵活性。

本文介绍了一种名为PGDiff的新方法，利用预训练扩散模型进行图像恢复任务。该方法通过引入部分指导的新视角，模拟高质量图像的期望特性，并将其应用于逆扩散过程。PGDiff 结合扩散先验能够在各种恢复任务中产生令人满意的结果，并且可以处理复合任务。