• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

扩散模型生成合成数据。

Synthetic data generation by diffusion models.

作者信息

Zhu Jun

机构信息

Department of Computer Science and Technology, BNRist Center, Tsinghua-Bosch Joint ML Center, Tsinghua University; Pazhou Laboratory (Huangpu), China.

出版信息

Natl Sci Rev. 2024 Aug 24;11(8):nwae276. doi: 10.1093/nsr/nwae276. eCollection 2024 Aug.

DOI:10.1093/nsr/nwae276
PMID:39262927
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC11389611/
Abstract

This paper provides a brief overview on diffusion models, which are extremely powerful on generating high-dimensional data, including images, 3D content, and videos, and provides insights for future work.

摘要

本文简要概述了扩散模型，该模型在生成包括图像、3D内容和视频在内的高维数据方面极为强大，并为未来工作提供了见解。

https://cdn.ncbi.nlm.nih.gov/pmc/blobs/07e3/11389611/bd442e7c17bd/nwae276fig1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/07e3/11389611/bd442e7c17bd/nwae276fig1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/07e3/11389611/bd442e7c17bd/nwae276fig1.jpg

相似文献

1
Synthetic data generation by diffusion models.扩散模型生成合成数据。
Natl Sci Rev. 2024 Aug 24;11(8):nwae276. doi: 10.1093/nsr/nwae276. eCollection 2024 Aug.
2
Counterfactual MRI Generation with Denoising Diffusion Models for Interpretable Alzheimer's Disease Effect Detection.基于去噪扩散模型的反事实MRI生成用于可解释的阿尔茨海默病效应检测
bioRxiv. 2024 Feb 8:2024.02.05.578983. doi: 10.1101/2024.02.05.578983.
3
Generating 3D images of material microstructures from a single 2D image: a denoising diffusion approach.从单张二维图像生成材料微观结构的三维图像：一种去噪扩散方法。
Sci Rep. 2024 Mar 18;14(1):6498. doi: 10.1038/s41598-024-56910-9.
4
: Mammographic Synthetic Image Generation with Diffusion Models.基于扩散模型的乳腺 X 线图像合成
Sensors (Basel). 2024 Mar 24;24(7):2076. doi: 10.3390/s24072076.
5
Macromolecular crowding: chemistry and physics meet biology (Ascona, Switzerland, 10-14 June 2012).大分子拥挤现象：化学与物理邂逅生物学（瑞士阿斯科纳，2012年6月10日至14日）
Phys Biol. 2013 Aug;10(4):040301. doi: 10.1088/1478-3975/10/4/040301. Epub 2013 Aug 2.
6
Generative artificial intelligence to produce high-fidelity blastocyst-stage embryo images.生成式人工智能生成高保真囊胚期胚胎图像。
Hum Reprod. 2024 Jun 3;39(6):1197-1207. doi: 10.1093/humrep/deae064.
7
Bayesian regularization of diffusion tensor images.扩散张量图像的贝叶斯正则化
Biostatistics. 2007 Oct;8(4):784-99. doi: 10.1093/biostatistics/kxm005. Epub 2007 Apr 11.
8
Synthetic CT generation from MRI using 3D transformer-based denoising diffusion model.基于 3D 变形器的去噪扩散模型从 MRI 生成合成 CT。
Med Phys. 2024 Apr;51(4):2538-2548. doi: 10.1002/mp.16847. Epub 2023 Nov 27.
9
Head and neck tumor segmentation from [F]F-FDG PET/CT images based on 3D diffusion model.基于三维扩散模型的 [F]F-FDG PET/CT 图像头颈部肿瘤分割。
Phys Med Biol. 2024 Jul 16;69(15). doi: 10.1088/1361-6560/ad5ef2.
10
Magnetic resonance imaging of chemical waves in porous media.多孔介质中化学波的磁共振成像。
Chaos. 2006 Sep;16(3):037103. doi: 10.1063/1.2228129.

引用本文的文献

1
ASAS-NANP symposium: mathematical modeling in animal nutrition: synthetic database generation for non-normal multivariate distributions: a rank-based method with application to ruminant methane emissions.美国动物科学学会-北美猪营养大会研讨会：动物营养中的数学建模：非正态多元分布的综合数据库生成：一种基于秩的方法及其在反刍动物甲烷排放中的应用
J Anim Sci. 2025 Jan 4;103. doi: 10.1093/jas/skaf136.

本文引用的文献

1
Data augmentation using generative adversarial networks (CycleGAN) to improve generalizability in CT segmentation tasks.使用生成对抗网络（CycleGAN）进行数据增强以提高 CT 分割任务的泛化能力。
Sci Rep. 2019 Nov 15;9(1):16884. doi: 10.1038/s41598-019-52737-x.