扩散模型:方法和应用的综合综述Diffusion Models: A Comprehensive Survey of Methods and Applications

0.摘要

扩散模型已经成为一个强大的深层生成模型的新家族，在许多应用中具有破纪录的性能，包括图像合成、视频生成和分子设计。在这个综述中，我们提供了一个关于扩散模型的快速扩展的工作的概述，将研究分为三个关键领域:有效抽样，改进的似然估计，和处理具有特殊结构的数据。我们还讨论了将扩散模型与其他生成模型相结合以增强结果的潜力。我们进一步回顾了扩散模型在计算机视觉、自然语言处理、时间数据建模等领域的广泛应用，以及在其他科学学科中的跨学科应用。本调查旨在提供一个背景化的、深入的扩散模型的状态，确定重点领域和指出进一步探索的潜在领域。Github: https://github.com/YangLing0818/Diffusion-Models-Papers-Survey-Taxonomy。

1.超级分辨率、修复和翻译

生成模型已用于处理各种图像恢复任务，包括超分辨率、修复和平移[10，47，61，103，137，174，187，282]。图像超分辨率旨在从低分辨率输入中恢复高分辨率图像，而图像修复则涉及重建图像中缺失或损坏的区域。
有几种方法利用扩散模型来完成这些任务。例如，通过重复细化的超分辨率（SR3）[202]使用DDPM来实现条件图像生成。SR3通过随机迭代去噪过程进行超分辨率处理。级联扩散模型（CDM）[91]由顺序排列的多个扩散模型组成，每个扩散模型生成分辨率不断提高的图像。SR3和CDM都直接将扩散过程应用于输入图像，这导致了更大的评估步骤。