Latent Iterative Refinement Flow: A Geometric Constrained Approach for Few-Shot Generation
School of Mathematics(数学学院);Statistics, Huazhong University of Science(统计学,华中科技大学);School of Electronic Information(电子信息学院);Communications, Huazhong University of Science(通信学院,华中科技大学);Center for Mathematical Science, Huazhong University of Science(数学科学中心,华中科技大学);Huawei(华为)
本文提出LIRF框架,通过几何感知方法解决有限数据下扩散模型的生成多样性问题,提升生成质量与召回率。
2026-01-30 cs.LG
Noise Estimation for Generative Diffusion Models
Tel-Aviv University(特拉维夫大学);Facebook AI Research(Facebook人工智能研究院)
生成扩散模型已经成为语音和图像生成中的主要模型。然而,为了用少量的去噪步骤来良好地执行,需要对噪声参数集进行昂贵的调谐。在这项工作中,我们提出了一个简单而通用的学习方案,可以逐步调整这些噪声参数,对于任何给定的步骤数,而以前的工作需要分别为每个数字重新调整。此外,在不修改扩散模型的权重的情况下,我们能够显著地改善合成结果,对于少量的步骤。我们的方法来在一个可以忽略不计的计算成本。
2021-09-12 cs.CV cs.LG
On Conditioning the Input Noise for Controlled Image Generation with Diffusion Models
IIT Hyderabad(印度理工学院海得拉巴分校);Adobe(奥多比);MIT(麻省理工学院)
条件图像生成为图像编辑、生成库存照片和3D对象生成方面的几个突破铺平了道路。随着基于扩散模型的新的最先进的方法的兴起,这仍然是一个重要的感兴趣的领域。然而,扩散模型对生成的图像提供的控制非常少,这导致了后续的工作探索技术,如分类指导,提供了一种权衡多样性与保真度的方法。在这项工作中,我们探索技术条件扩散模型精心制作的输入噪声文物。这允许生成以语义属性为条件的图像。这与现有的方法不同,现有的方法输入高斯噪声,并进一步在扩散模型的推理步骤中引入调节。我们的实验在几个例子和条件设置显示了我们的方法的潜力。
2022-05-08 cs.CV cs.LG
How I Warped Your Noise: a Temporally-Correlated Noise Prior for Diffusion Models
ETH Zürich(苏黎世联邦理工学院)
针对扩散模型中噪声采样不保留视频帧间相关性导致伪影的问题,提出积分噪声表示及定制传输方法以保持时间相关性,提升视频编辑与生成质量。
2025-04-03 cs.CV cs.LG
Non Gaussian Denoising Diffusion Models
Tel-Aviv University(特拉维夫大学);Facebook AI Research(脸书人工智能研究院);École Normale Supérieure Paris-Saclay(巴黎-萨克雷高等师范学院)
生成扩散过程是一种新兴的有效的图像和语音生成工具。在现有的方法中,扩散过程的下划线噪声分布是高斯噪声。然而,具有更多自由度的拟合分布可以帮助这种生成模型的性能。在这项工作中,我们调查其他类型的噪声分布的扩散过程。具体来说,我们表明,从伽马分布的噪声提供了改进的结果,图像和语音生成。此外,我们表明,在扩散过程中使用高斯噪声变量的混合物,提高了基于单一分布的扩散过程的性能。我们的方法保留了在训练扩散过程中有效采样状态的能力,同时使用Gamma噪声和噪声的混合。
2021-06-14 cs.CV cs.LG cs.SD
Not All Noises Are Created Equally:Diffusion Noise Selection and Optimization
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Microsoft(微软)
本文发现扩散模型的生成质量依赖于噪声反演稳定性,据此提出噪声选择与优化方法,无需微调即可显著提升SDXL等模型的生成质量及人类偏好胜率。
2024-07-27 cs.CV
Baton: Explicit Semantic Blueprints for Joint Video-Audio Generation
Fudan University(复旦大学);Tencent Hunyuan(腾讯幻元)
提出Baton框架,通过VA-Planner生成语义对齐的模态感知规划令牌作为蓝图,注入扩散骨干以协调视频和音频去噪,解决现有方法因缺乏共享长期规划导致的跨模态对齐脆弱问题。
2026-06-01 cs.CV
Warm Diffusion: Recipe for Blur-Noise Mixture Diffusion Models
Department of Computer Science, National Yang Ming Chiao Tung University, Hsinchu, Taiwan(计算机科学系,National Yang Ming Chiao Tung大学,Hsinchu,台湾)
Warm Diffusion通过融合模糊与噪声的混合模型,解决传统热扩散和冷扩散的不足,提升图像生成效果。
2025-11-21 cs.CV
A Noise is Worth Diffusion Guidance
Korea University(高丽大学);KAIST(韩国科学技术院);Sookmyung Women’s University(淑明女子大学);Hugging Face
针对扩散模型需引导生成可靠图像的问题,提出NoiseRefine方法,通过优化初始噪声为无引导噪声,利用小幅度低频分量增强去噪,无需引导即可提升推理效率和图像质量,仅需50K数据即可实现高效学习。
2024-12-05 cs.AI cs.CV cs.LG
Immiscible Diffusion: Accelerating Diffusion Training with Noise Assignment
University of California, Berkeley(加利福尼亚大学伯克利分校);Tsinghua University(清华大学)
针对扩散模型因噪声-数据映射随机混合导致训练缓慢的问题,提出Immiscible Diffusion方法,通过先分配目标噪声再扩散的策略,仅需一行代码即可在多数据集、多模型及不同训练场景下实现最高3倍训练加速,同时提升生成保真度。
2024-10-30 cs.CV
Connective Viewpoints of Signal-to-Noise Diffusion Models
VinAI Research(VinAI研究院);Monash University(莫纳什大学)
本文从信噪比与信息理论关联的视角系统研究信噪比扩散模型中的噪声调度器,并提出广义反向方程以提升推理性能。
2024-08-08 cs.AI cs.CV cs.LG
Noise is All You Need: Solving Linear Inverse Problems by Noise Combination Sampling with Diffusion Models
Waseda University(早稻田大学)
针对预训练扩散模型求解零样本线性逆问题时观测信息整合的固有困境,提出噪声组合采样方法,从噪声子空间合成最优噪声近似测量得分,无需逐步调参,在生成步数少的场景下以低开销提升性能、鲁棒性与稳定性。
2025-10-24 cs.AI cs.CV cs.LG
Cloud Diffusion Part 1: Theory and Motivation
The Spin Group Research Institute(Spin Group研究 institute)
本文提出用尺度不变噪声替代白噪声构建云扩散模型,以加速推理、改善高频细节并增强可控性,后续将实验验证。
2025-07-07 cs.AI cs.CV cs.LG
A Comprehensive Review on Noise Control of Diffusion Model
University of Pittsburgh(匹兹堡大学);Northeastern University(东北大学);Columbia University(哥伦比亚大学);Northwestern University(西北大学);University of California, Berkeley(加州大学伯克利分校)
本文综述了扩散模型中噪声调度的设计,系统分析了不同噪声调度方案的特征及其对采样和训练质量的影响。
2025-02-07 cs.AI cs.LG
Noise-Level Diffusion Guidance: Well Begun is Half Done
Vision, Learning, and Control (VLC) Research Group(视觉、学习与控制研究组)
针对扩散模型初始随机噪声影响输出质量的问题,提出无需额外训练或反向传播的噪声级引导方法(NLG),通过优化初始噪声提升图像质量与条件遵循度,在五个基准上验证了其高效性与可扩展性。
2025-09-17 cs.CV
Noise scheduling and linear dynamics in diffusion models on Lie groups
Institute for Theoretical Physics, ETH Zurich, 8093 Zurich, Switzerland(理论物理研究所,苏黎世联邦理工学院,瑞士苏黎世,8093)
本文研究了在李群上扩散过程中噪声调度的作用,特别关注其在格点规范理论中的应用。研究发现特定的噪声调度可使Wilson作用量的期望值随扩散时间线性衰减,与欧几里得扩散模型相比,这种行为在李群设置中自然产生,而后者需要显式设计漂移项。
2026-05-17 cs.LG hep-lat
NoiseCutMix: A Novel Data Augmentation Approach by Mixing Estimated Noise in Diffusion Models
Kyushu University(九州大学)
本研究提出NoiseCutMix数据增强方法,将CutMix概念引入扩散模型,通过混合两类估计噪声生成自然的高分辨率融合特征图像,实验验证其效果优于传统多类增强及Stable Diffusion随机生成等方法。
2025-08-30 cs.CV
Noise Crystallization and Liquid Noise: Zero-shot Video Generation using Image Diffusion Models
Imperial College London(伦敦帝国学院)
针对扩散模型生成一致可控视频难度大、成本高的问题,本文提出噪声结晶与液体噪声两种零样本方法,修改图像扩散模型的输入噪声生成视频,还拓展了相关应用并得出VAE嵌入的理论见解。
2024-10-05 cs.CV
Noise Aggregation Analysis Driven by Small-Noise Injection: Efficient Membership Inference for Diffusion Models
South China University of Technology(华南理工大学)
本文提出基于噪声聚合分析的成员推断方法,通过单步低强度噪声注入策略增强成员与非成员样本差异,降低模型查询需求并提升推断效率与准确性。
2026-04-17 cs.AI cs.CR cs.CV
Diffusion-Based Image-to-Image Translation by Noise Correction via Prompt Interpolation
Seoul National University(首尔大学)
本研究提出一种免训练的扩散图像翻译方法,通过提示插值构造噪声校正项修正预训练扩散模型的噪声预测,可轻松集成到现有方法中,在低延迟下实现优异性能并提升现有框架效果。
2024-09-12 cs.CV
Deepfake Detection Generalization with Diffusion Noise
Zhejiang University(浙江大学)
本文提出利用扩散噪声特征提升深度伪造检测的泛化能力,通过引入注意力引导的噪声学习框架,增强模型对真实与合成图像差异的捕捉,实验表明在多个基准上取得最佳性能。
2026-04-16 cs.CV
CleanDIFT: Diffusion Features without Noise
CleanDIFT通过无监督微调方法,实现无噪声的高质量扩散特征,显著提升多种任务的性能。
2025-12-15 cs.CV
Noise, Denoise, Correct: MCMC Posterior Sampling with Diffusion Priors in Three Steps
PhysicsX
针对非线性不可微逆问题,提出扩散华尔兹MCMC方法,用SDEdit加噪去噪作提议并经MH校正实现精确后验采样,在Navier-Stokes任务上优于基线。
2026-10-08 cs.LG
SVNR: Spatially-variant Noise Removal with Denoising Diffusion
Google Research(谷歌研究院);University of Haifa(海法大学);Tel Aviv University(特拉维夫大学);The Hebrew University of Jerusalem(耶路撒冷希伯来大学)
提出SVNR去噪扩散新方法,采用空间变化噪声模型,支持像素级时间嵌入和噪声图像作为起始点,优于现有基线。
2023-06-28 cs.CV
Listening to the Noise: Blind Denoising with Gibbs Diffusion
Ecole Polytechnique, Institut Polytechnique de Paris(巴黎综合理工学院,巴黎综合理工学院);Flatiron Institute(弗拉蒂伦研究所)
提出吉布斯扩散(GDiff)方法,通过交替条件扩散采样与蒙特卡洛推断,实现未知噪声参数下的盲去噪,并应用于自然图像与宇宙微波背景数据分析。
2024-06-25 astro-ph.CO cs.CV cs.LG
DNI: Dilutional Noise Initialization for Diffusion Video Editing
Korea Advanced Institute of Science and Technology(韩国科学技术院)
本文提出稀释噪声初始化(DNI)框架,通过向待编辑区域的潜在噪声添加额外噪声以软化结构刚性,实现扩散视频编辑中的非刚性编辑,如运动变化,实验证明其有效性。
2024-09-19 cs.CV
NoiseCollage: A Layout-Aware Text-to-Image Diffusion Model Based on Noise Cropping and Merging
Kyushu University(九州大学)
针对布局感知文本生成图像扩散模型存在的文图条件不匹配、图像质量下降问题,提出基于噪声裁剪合并的NoiseCollage模型,性能优于现有最优模型,还可集成ControlNet提升其布局精度。
2024-03-06 cs.CV
Noise in Diffusion Models Is a Learnable Input
School of Mathematics, Harbin Institute of Technology(哈尔滨工业大学数学学院);Software College, Northeastern University(东北大学软件学院)
该研究发现扩散模型的伪随机流是可学习输入,会影响生成质量,相关指标与生成退化相关,伪随机源兼具分布选择与结构化输入属性。
2026-09-09 cs.LG stat.ML
Noise-aware Speech Enhancement using Diffusion Probabilistic Model
Nanyang Technological University(南洋理工大学);University of Aberdeen(阿伯丁大学);University of Science and Technology of China(中国科学技术大学)
提出噪声感知语音增强方法NASE,通过设计噪声分类模型提取噪声特定信息作为条件器,并结合多任务学习方案联合优化,有效指导扩散模型的逆向去噪过程,显著提升多种主流扩散SE模型在未见噪声上的表现。
2024-06-04 cs.LG cs.SD eess.AS
A Probabilistic Formulation of Offset Noise in Diffusion Models
本文提出一种新的扩散模型,通过概率框架自然引入额外噪声,解决极端亮度值生成问题,实验表明在高维场景中性能更优。
2026-04-09 cs.LG stat.ML
Noise as a Probe: Membership Inference Attacks on Diffusion Models Leveraging Initial Noise
Southeast University(东南大学);The University of Queensland(昆士兰大学);Nanjing University of Posts and Telecommunications(南京邮电大学)
本文提出利用扩散模型初始噪声中的残余语义信息进行成员推断攻击,揭示了微调模型在隐私保护方面的脆弱性。
2026-08-14 cs.CR cs.LG
Energy-Conditioned Noise Schedule and Whitening for Spectral Diffusion
University of Nis, Faculty of Electronic Engineering(尼什大学电子工程学院);University MB, Information Technology department(MB大学信息技术学院);University of Arizona, Electrical & Computer Engineering (ECE) department(亚利桑那大学电气与计算机工程系)
本文提出能量条件噪声调度与谱白化策略,使前向扩散噪声适应谱能量分布,在CIFAR-10上将FID从142.48降至100.45。
2026-10-07 cs.AI cs.CV cs.ET
Guided Diffusion Model for Adversarial Purification from Random Noise
Yuanpei College(元培学院);Peking University(北京大学)
在本文中,我们提出了一种新的引导扩散净化方法,以提供一个强大的防御对抗攻击。在CIFAR-10数据集上,我们的模型在PGD-L_inf攻击(eps = 8/255)下达到了89.62%的鲁棒准确率。我们首先探讨无指导的扩散模型和随机平滑之间的基本相关性,使我们能够将模型应用于认证的鲁棒性。实验结果表明,当认证的L2半径r大于0.5时,我们的模型优于随机平滑5%。
2022-06-22 cs.CR cs.LG
Diffusion models with location-scale noise
Samsung - SAIT AI Lab, Montreal(三星SAIT人工智能实验室(蒙特利尔));Mila(米拉人工智能研究所);McGill University(麦吉尔大学);Simon Fraser University(西蒙菲莎大学);Radboud University(拉德堡德大学)
本文构建了支持非高斯位置-尺度噪声的扩散模型逆转框架,并证明高斯噪声在拉普拉斯、均匀、t及广义高斯等分布中生成效果最佳。
2023-04-12 cs.AI cs.LG cs.NA
NoiseAR: AutoRegressing Initial Noise Prior for Diffusion Models
Hong Kong University of Science and Technology(香港科学与技术大学);StepFun
NoiseAR提出以自回归概率建模方式学习可控的初始噪声先验,替代扩散模型中的固定随机初始化,从而提升样本质量、增强条件一致性,并支持与强化学习等概率框架集成。
2025-06-02 cs.AI cs.LG
A Noise Constrained Diffusion (NC-Diffusion) Framework for High Fidelity Image Compression
Shandong University(山东大学);University of Electronic Science and Technology of China(电子科技大学)
本文提出噪声约束扩散框架,通过将量化噪声作为扩散过程中的噪声,提升压缩效率和图像保真度,同时引入自适应频域滤波模块和零样本引导增强方法,实验证明其优于现有方法。
2026-04-08 cs.CV eess.IV
Denoising Diffusion Gamma Models
Tel-Aviv University(特拉维夫大学);Facebook AI Research(脸书人工智能研究);École Normale Supérieure Paris-Saclay(巴黎-萨克兰高等师范学院)
生成扩散过程是一种新兴的有效的图像和语音生成工具。在现有的方法中,扩散过程的潜在噪声分布是高斯噪声。然而,具有更多自由度的拟合分布可以提高这种生成模型的性能。在这项工作中,我们调查其他类型的噪声分布的扩散过程。具体来说,我们介绍了去噪扩散伽玛模型(DDGM),并表明,伽玛分布的噪声提供了改进的结果,图像和语音生成。我们的方法保留了在训练扩散过程中有效采样状态的能力,同时使用Gamma噪声。
2021-10-10 cs.AI cs.CV cs.GR
NFCDS: A Plug-and-Play Noise Frequency-Controlled Diffusion Sampling Strategy for Image Restoration
Nanjing University of Science and Technology(南京理工大学)
NFCDS通过控制噪声频率提升图像修复的保真度与感知质量,无需额外训练。
2026-01-29 cs.CV
Dark Noise Diffusion: Noise Synthesis for Low-Light Image Denoising
School of Computer and Communication Sciences, École Polytechnique Fédérale de Lausanne(计算机与通信科学学院,瑞士联邦理工学院洛桑分校)
本文提出基于扩散模型的低光噪声合成方法,通过双分支架构、位置信息建模和定制噪声调度三项改进,生成高质量训练数据,使低光去噪网络达到最先进性能。
2025-07-05 cs.CV eess.IV
CARD: Correlation Aware Restoration with Diffusion
University of California, Riverside(加州大学河滨分校)
CARD是一种无训练扩展的扩散模型,通过处理空间相关噪声提升图像修复性能。
2025-12-04 cs.CV