Diffusion Models as Prior（DMP，译作“扩散模型作为先验”）是一种基于扩散过程的生成模型，它使用先验分布来控制生成数据的分布。在这种方法中，扩散过程被用作先验分布，以指导生成数据的过程。

Diffusion Models as Prior是一种前沿方法，它可以显著提高AI生成图像的语义预测准确性。该方法独辟蹊径，巧妙地运用预先训练的文本到图像模型于各类任务中，如3D属性估计和语义分割等，在训练数据有限的情况下，其表现仍超越了现有的技术。

在AI领域中，文本到图像模型的扩散过程是关键的一环。然而，确定性任务与随机文本到图像模型之间往往存在显著的不一致性。为解决这一问题，研究者们重新构建了扩散过程，通过插值建立了输入图像和输出预测分布之间的明确映射关系。同时，为保持模型的泛化性能，采用了低秩适应来微调预训练模型。

Diffusion Models as Prior研究

实验结果证明，DMP在包括3D属性估计、语义分割和内在图像分解等在内的多个像素级语义预测任务中表现优异。即使在限定领域的训练数据情况下，DMP也能在任意图像上产生精确的估计，相比现有的先进算法更具优势。

本项研究通过训练10,000张卧室图像来评估模型在多样场景和各种图像上的域外性能。特别针对卧室图像的各种风格进行了分割评估，结果显示DMP在处理其他预训练方案无法处理的图像上具备可靠的估计能力。

这项研究为像素级语义预测任务提供了一种创新性的先验方法。DMP的引入为解决这类任务提供了新的视角和工具，有望推动AI在图像语义理解领域的进一步发展。