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。

本研究提出了一种零样本方法，利用预训练扩散模型解决4D人机交互生成中的数据不足问题。通过Lang-SAM重定向接触部位，并结合线性混合皮肤功能优化运动，提高生成一致性和深度问题的鲁棒性，为4D内容创作提供了新方向。

本文提出了一个基于零样本图像净化的后门防御框架，无需被攻击模型的内部信息或清洁/污染样本的先验知识。通过线性变换和预训练扩散模型恢复缺失语义信息，得到高保真净化图像。实验结果显示，该框架优于现有后门防御基线。

本文介绍了一种新的图像合成方法，通过融合多个输入图像生成连贯的图像。利用预训练扩散模型的生成先验，实现了适用于外观编辑和语义编辑的通用图像合成。通过引导合成图像朝高密度区域优化的方法，实现了去噪和灵活的语义图像合成。实验证明该方法在通用的零样本图像合成方面具有优越性，并在物体移除和多概念定制等任务中显示出潜力。

AdaSense是一种自适应压缩感知方法，通过后验抽样和预训练扩散模型，实现从少量测量重建面部图像，并在医学图像领域应用。

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。