awesome-diffusion-categorized

🎨 Awesome Diffusion Categorized：扩散模型领域的全景式论文导航图

想象一下这样的场景：你是人工智能方向的研究生，刚刚确定以扩散模型（Diffusion Model）作为硕士课题方向。开题报告需要综述近三年最前沿的进展，你在 Google Scholar 里输入 "diffusion model survey"，出来的结果从 Denoising Diffusion Probabilistic Models（DDPM）到 Stable Diffusion、ControlNet、Video Diffusion 跨度极大，每篇论文的引用关系纵横交错，信息量大到令人窒息——这时你多么希望有一张「地图」，能按研究方向把数千篇论文分门别类、一目了然。

Awesome Diffusion Categorized 正是这样一张地图。

📖 背景：扩散模型热潮与信息过载的困局

扩散模型自 2020 年 DDPM 提出以来，在图像生成领域掀起了一场革命。从 2022 年 Stable Diffusion 的开源开放，到 2023 年 DALL-E 3、Sora 的惊艳亮相，再到 2025 年各种细粒度控制、个性化定制、视频生成技术井喷式爆发，扩散模型的相关论文呈指数级增长。据统计，仅 2024 年一年，顶会（CVPR、ICCV、NeurIPS、ECCV、ICLR 等）上发表的扩散模型相关论文就超过 305 篇——平均每天产出近一篇。

对于研究者和工程师来说，这种爆发式增长既是机遇也是负担。如何在海量文献中快速定位自己需要的那篇？如何知道某个子方向（如图像超分辨率、概念移除、Inpainting）已经有哪些成熟方案？Awesome Diffusion Categorized 的作者 Kai Wang 用一个持续更新的 GitHub 仓库解决了这个问题。

👤 作者故事：从研究者到开源社区贡献者

Kai Wang（GitHub: wangkai930418）是扩散模型领域的活跃研究者。他于 2022 年在 Joost van de Weijer 指导下博士毕业，此后在 CVPR、NeurIPS、ECCV、ICCV 等顶会持续发表论文，研究方向涵盖扩散模型、持续学习（Continual Learning）和 Vision Transformer。他的个人网站（wangkai930418.github.io）记录了完整的学术履历。

从 2023 年 5 月创建 awesome-diffusion-categorized 仓库以来，他已经提交了 779 次 commit，持续追踪扩散模型领域的最新进展。项目本身没有许可证（License: None），属于完全开放的知识共享资源。

🗺️ 分类体系：16 大方向、3700+ 论文的精细化组织

这个资源库最核心的价值在于其精心设计的分类体系。作者没有简单地把所有论文堆在一起，而是按照扩散模型的应用与研究方向进行逐层分类，形成了独特的知识图谱导航结构。

主要一级分类（16 个）：

分类方向	简介	典型应用
Accelerate（加速推理）	解决扩散模型生成速度慢的问题	LCM、SDXL-Turbo、VAR
Image Restoration（图像修复）	超分辨率、去噪、去模糊、压缩等	Real-ESRGAN、StableSR
Text-Guided Editing（文本引导编辑）	根据文本指令修改图像	InstructPix2Pix、SDXL-Inpaint
In Context Learning（上下文学习）	个性化定制主体/风格	DreamBooth、LoRA、ControlNet
Continual Learning（持续学习）	防止模型遗忘已学知识	新类别增量训练
Remove Concept（概念移除）	从生成模型中移除不当概念	Stylization、Concept Ablation
Drag Edit（拖拽编辑）	交互式图像编辑	DragDiffusion、Point-E
Inpainting（图像补全）	智能填充图像缺失区域	LaMa、MAT
Few-Shot（少样本学习）	少量样本即可定制生成	快速微调方案
Video Generation/Editing	视频生成与编辑	Sora、VideoLDM
Image Translation	图像风格/域转换	CYCLO、CUT
Seg & Detect & Track	分割、检测、跟踪	扩散模型用于视觉感知
Layout Generation	布局生成	平面设计自动化
Visual Illusion	光学错觉生成	趣味应用
Color/Count Guidance	颜色与计数控制	精细化控制生成
Storytelling	故事驱动的图像生成	多帧连贯叙事

时间维度分布：

按顶会论文发表年份统计，项目覆盖范围如下：

2025 年（236 篇）：CVPR 118 篇、ICLR 41 篇、ICCV 37 篇、NeurIPS 24 篇
2024 年（305 篇）：CVPR 115 篇、ECCV 80 篇、NeurIPS 59 篇、ICLR 27 篇
2023 年（209 篇）：ICCV 80 篇、CVPR 64 篇、NeurIPS 40 篇

可以看到项目对近两年顶级会议论文的收录非常完整，是追踪学术前沿的优质资源。

🔍 使用体验：极低门槛的研究利器

作为一个纯 Markdown 文档项目，Awesome Diffusion Categorized 的使用门槛接近于零：

无需安装：直接在 GitHub 网页浏览，或 clone 到本地用任意 Markdown 阅读器打开
结构清晰：目录（Table of Contents）直接列出所有分类，点击即可跳转
信息完整：每条论文条目包含标题、发表会议/平台、arXiv 链接、项目主页和代码仓库地址（GitHub）
持续更新：779 次 commit 记录了作者持续维护的痕迹，最新 push 为 2026 年 3 月

⚠️ 局限与注意事项

这个项目并非完美无缺：

纯链接聚合，无本地内容：所有论文内容需跳转 arXiv 或 GitHub，无法离线阅读
无搜索功能：无法在仓库内按关键词检索，需要借助 GitHub 本身的 t 键快捷搜索
分类可能有交叉：部分论文涉及多个方向，可能在多个分类下重复出现
时效性依赖作者维护：最新论文可能存在数周到数月的滞后
README 文件极大（~690KB）：在网络不佳时加载可能较慢

📈 行业意义：AI 学术资源聚合的标杆实践

Awesome Diffusion Categorized 代表了 AI 领域一种非常有价值的社区共建模式——由活跃研究者维护的垂直领域论文索引，既弥补了通用搜索引擎的信息噪音问题，又通过持续更新保持了时效性。其 2216 个 GitHub Stars 和 102 个 Fork 说明它在社区中获得了广泛认可。

对于 AI 研究者和工程师而言，这个项目的价值不仅是"找论文"，更是一种研究方向探索的方式——通过分类体系了解扩散模型的全貌，从中发现可能被忽视的交叉领域和研究机会。

Kai Wang - 项目维护者头像

图 1：项目维护者 Kai Wang 的 GitHub 头像（来源：GitHub）

数据来源：GitHub 仓库 wangkai930418/awesome-diffusion-categorized（截至 2026-07-13，2216★，102 forks）