Diffusion Models and Representation Learning: A Survey

扩散模型是各种视觉任务中受欢迎的生成建模方法，引起了相当大的关注。由于它们不依赖于标签注释，因此可以被视为自监督学习方法的一个独特实例。本文探讨了扩散模型和表示学习之间的相互作用。它概述了扩散模型的基本方面，包括数学基础、流行的去噪网络架构和指导方法。详细介绍了与扩散模型和表示学习相关的各种方法。这些方法包括利用从预训练扩散模型中学习的表示进行后续识别任务的框架，以及利用表示和自监督学习的进展来增强扩散模型的方法。本文旨在提供扩散模型和表示学习之间分类法的全面概述，识别现有关注的关键领域和潜在探索。Github链接：https://github.com/dongzhuoyao/Diffusion-Representation-Learning-Survey-Taxonomy

探索扩散模型和表示学习之间的相互作用，提供一个综合的分类学，以识别现有问题和潜在研究领域。

通过扩散模型和表示学习之间的相互作用，提高图像处理领域的自监督学习方法。

该论文提供了关于扩散模型和表示学习的综合概述，包括数学基础、网络架构和指导方法。论文详细介绍了与扩散模型和表示学习相关的各种方法，包括利用预训练扩散模型学习的表示来进行后续识别任务的框架以及利用表示和自监督学习的进展来增强扩散模型的方法。

最近的相关研究包括《自监督学习的前沿：进展和开放问题》、《对比学习在自监督视觉表示学习中的进展》、《基于自监督学习的图像分割：现状和未来方向》等。