Diffusion相关论文整理

论文题目	时间	期刊	概述
DiffRF: Rendering-guided 3D Radiance Field Diffusion	2023	CVPR	提出了一个3D去噪模型，可直接对体素网格数据进行运算。在去噪公式中加入渲染损失来解决生成的辐射场不完整问题。相比2D的扩散模型，该模型可学习多视角的一致先验信息，使自由视角生成和准确的形状生成成为可能。
Single-Stage Diffusion NeRF: A Unified Approach to 3D Generation and Reconstruction	2023	CVPR	提出了一种新的单阶段训练范式，其端到端的目标是共同优化NeRF自动解码器和潜在的扩散模型，即使从稀疏的可用视图中也能同时进行三维重建和先验学习。在测试时，直接对无条件生成的扩散先验进行采样，或将其与未见物体的任意观测值结合起来进行NeRF重建。
Generative Novel View Synthesis with 3D-Aware Diffusion Models	2023	CVPR	基于单张图像生成逼真的三维场景视图。该方法使用3D感知扩散模型（3D-aware diffusion models）来学习生成器和噪声得分函数，从而在保证逼真性和一致性的同时，实现高效的图像生成。
Novel View Synthesis with Diffusion Models	2022	CVPR	提出了一种用于三维视图合成的扩散模型3DiM，核心是一个姿态条件下的图像到图像扩散模型，该模型以源视图及其姿态作为输入，并为目标姿态生成一个新的视图作为输出。
3D Neural Field Generation using Triplane Diffusion	2022	CVPR	对训练数据（如ShapeNet网格）进行预处理，将其分解为一组轴对齐的三平面特征表示。三维训练场景都是由二维特征平面表示的，可直接训练现有的二维扩散模型，生成具有高质量和多样性的三维神经场，优于其他三维感知生成方法。
3D-aware Image Generation using 2D Diffusion Models	2023	CVPR	将3D感知图像生成任务表述为多视图2D图像集生成，并进一步表述为一个连续的无条件-有条件的多视图图像生成过程。
High-Resolution Image Synthesis with Latent Diffusion Models	2022	CVPR	在潜在扩散模型中，引入了预训练感知压缩模型，它包括一个编码器 和一个解码器 。在latent space上进行diffusion大大减少计算复杂度，相比于其它空间压缩方法,可生成更细致的图像，并且在高分辨率图片生成任务上表现得也很好。
NerfDiff: Single-image View Synthesis with NeRF-guided Distillation from 3D-aware Diffusion	2023	CVPR	NerfDiff，联合学习图像调节的NeRF和CDM（条件扩散模型），并在测试时使用多视图一致扩散过程微调学习的NeRF。
Diffusion Models: A Comprehensive Survey of Methods and Applications	2023	Machine Learning	对现有的扩散生成模型（diffusion model）进行了全面的总结分析，从diffusion model算法细化分类、和其他五大生成模型的关联以及在七大领域中的应用等方面展开，最后提出了diffusion model的现有limitation和未来的发展方向。