CVPR 2025 看点：扩散模型如何颠覆零样本学习

扩散模型（Diffusion Model）是一种生成式模型，能够逐步模拟数据的生成过程。它通过一系列的反向扩散过程，将噪声逐步去除，最终生成与训练数据相似的样本。扩散模型近年来在图像生成、文本生成等领域取得了显著成果，能够生成质量极高且多样性丰富的内容。其核心思想是将数据分解成一系列的噪声步骤，然后通过反向过程还原回原始数据，因此被视为一种逐步逼近真实数据分布的有效方法。

在零样本学习（Zero-Shot Learning）中，扩散模型的作用尤为显著。零样本学习的核心挑战在于如何让模型在没有见过目标类样本的情况下，进行准确的识别和预测。扩散模型可以通过生成虚拟样本或特征，增强模型的泛化能力，让其能在未见样本的情况下理解和推断目标类。具体来说，扩散模型能够利用已有数据生成与目标类相似的特征或样本，帮助模型构建关于新类别的概念，从而大大提升零样本学习的性能和准确性。

DiffSCI: Zero-Shot Snapshot Compressive Imaging via Iterative Spectral Diffusion Model

关键方法：我们整合了已建立的SCI技术的优势属性和一个图像生成模型，提出了一种新的结构化零射击扩散模型，称为DiffSCI。DiffSCI利用了来自深度先验和基于优化的方法的结构洞察力，并辅以当代去噪扩散模型提供的生成能力。具体来说，首先，我们使用了一个预训练的扩散模型，这是第一次在