文献类型：期刊文章

作　　者：刘泽润[1] 尹宇飞[1,2] 薛文灏[1,3] 郭蕊[1] 程乐超[1]

LIU Zerun;YIN Yufei;XUE Wenhao;GUO Rui;CHENG Lechao(Zhejiang Lab,Hangzhou 311121,China;CAS Key Laboratory of GIPAS,University of Science and Technology of China,Hefei 230026,China;School of Automation,Northwestern Polytechnical University,Xi'an 710072,China)

机构地区：[1]之江实验室,浙江杭州311121 [2]中国科学技术大学多媒体计算与通信教育部-微软重点实验室,安徽合肥230026 [3]西北工业大学自动化学院,陕西西安710072

出　　处：《浙江大学学报（理学版）》

年　　份：2023

卷　　号：50

期　　号：6

起止页码：651-667

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2023_2024、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、ZMATH、核心刊

摘　　要：基于人工智能技术的生成内容(artificial intelligence generated content,AIGC)已成为当下的热门话题。在众多生成模型中,扩散模型因其高度可解释的数学特性及高质量和多样性的结果引起广泛关注,在条件引导的图像生成领域已取得显著成果,被广泛应用于电影、游戏、绘画和虚拟现实等领域,在文本引导的图像生成任务中,扩散模型不仅能生成高分辨率的图像,而且能保证生成图像的质量。首先介绍了扩散模型的定义和相关背景,然后重点介绍了扩散模型在条件引导的图像生成领域的发展历程和最新进展,最后探讨了扩散模型面临的挑战和潜在的发展方向,旨在为广大研究人员提供相关领域的研究概况和前沿动态。

关 键 词：扩散模型  条件引导的图像生成  应用  

分 类 号：TP391.41]