起初接触到这篇论文，还是我导师早上七点给我发的文章里面介绍的。但是为了自身更好的理解还是整理到了自身博客里面。本文介绍了一个新型的生成模型架构，但是类似于扩散模型
本篇文章主要是记录自己所看到的有关于自己项目相关的一些论文，主要是有关于如何利用GAN模型从平扫ct图像生成不同时期的增强ct的图像。
本文主要是用于探究扩散模型是否能够用于生成医学3D图像。作者提出了一种适用于潜在空间的扩散模型的新架构，并在四个公开可用的数据集上对其进行训练，这些数据集包含来自广泛解剖范围的数据：脑 MRI、胸部 CT、乳腺 MRI 和膝部 MRI。
本文提出了一种利用扩散模型进行像素级可控 3D 医学图像合成的创新方法。该方法将分割掩模合并到扩散过程中，从而能够生成高分辨率、语义引导的 3D 医学图像。
在本文中，作者提出了 Medfusion，一种用于医学图像的条件潜在 DDPM。通过使用来自眼科、放射学和组织病理学的图像，将基于 DDPM 的模型与基于 GAN 的模型进行比较，并证明 DDPM 在所有相关指标上都击败了GAN。
本文为了使扩散模型在有限的计算资源上去训练，并且能够保留质量和灵活性，Latent Diffusion Models通过预训练好的Autoencoder将图像转为潜在空间上的潜在表示，然后让扩散模式在一个潜在表示空间中训练并逐步去噪来生成图像，然后将潜在表征结果解码为完整的图像，该方法大大降低了对算力的需求。本文还首次将交叉注意力机制引入到该模型的架构中，让文生图能够在消费级GPU上，在10秒级别时间生成图片，大大降低了落地门槛，也带来了文生图领域的大火。
