D3FG 是一个在口袋中基于功能团的3D分子生成扩散模型。与通常分子生成模型直接生成分子坐标和原子类型不同，D3FG 将分子分解为两类组成部分：官能团和连接体，然后使用扩散生成模型学习这些组成部分的类型和几何分布。本文对D3FG进行了测评，包括：环境安装、分子生成、模型训练、报错排除、生成分子对接、高打分分子展示等；

计算机视觉课程设计项目：基于Stable Diffusion的T-shirt图案设计和虚拟换衣技术 基本实现方法： Stable Diffusion结合Dreambooth实现文本指导下的T-shirt图案生成； 利用U2NET模型对人像和衣服掩码进行分割； 借鉴HR_VITON框架实现虚拟换衣。

内容概要：本文详细介绍了使用COMSOL Multiphysics的PDE模块对变压器绝缘油中的流注放电现象进行仿真的方法和技术细节。文中首先阐述了MIT飘逸扩散模型的基本原理及其在描述带电粒子运动和扩散方面的优势。然后，逐步讲解了如何在COMSOL中构建该模型，包括选择适当的物理场、定义参数、划分网格等步骤。此外，还讨论了油纸界面处理、电场计算模块的特殊设置以及模型验证的方法。最后提供了完整的模型文件和相关学习资料，如MIT原版论文的中文翻译版本和作者的学习笔记。 适用人群：从事电力系统设备维护、高电压工程技术研究的专业人士，尤其是对变压器绝缘性能有深入了解需求的研究人员和技术人员。 使用场景及目标：适用于需要精确模拟变压器内部流注放电过程的研究项目，旨在提高对绝缘油和油纸绝缘系统的认识水平，优化变压器的设计和运维策略。 其他说明：文中不仅包含了详细的建模指导，还包括了许多实践经验分享，如常见的错误避免措施、参数调整技巧等，有助于读者快速上手并获得可靠的结果。

SurfDock 来源于中国科学院上海药物所的郑明月为通讯作者的文章：《SurfDock is a Surface-Informed Diffusion Generative Model for Reliable and Accurate Protein-ligand Complex Prediction》于2024 年 11 月 27 日正式发表在 《Nature Methods》上。在文章中，SurfDock 在多个基准测试中展现了卓越的表现，包括 PDBbind 2020 时间分割集、Astex Diverse 集和 PoseBusters 基准集。在模型中，SurfDock 将多模态蛋白质信息（包括表面特征、残基结构和预训练的序列级特征）整合成一个一致的表面节点级表示，这一能力对实现高对接成功率和改善构象合理性起到了重要作用。SurfDock 的另一个特点是其可选的弛豫（构象优化），旨在进行蛋白质固定配体优化，从而显著提高其准确性。 我们的测评结果显示，生成的小分子构象还是比较合理的，同时生成的结合模式与晶体非常接近。

IPDiff 是一个基于蛋白质-配体相互作用先验引导的扩散模型，首次把配体-靶标蛋白相互作用引入到扩散模型的扩散和采样过程中，用于蛋白质（口袋）特异性的三维分子生成。来源于文章 《Protein-Ligand Interaction Prior for Binding-aware 3D Molecule Diffusion Models》。文章链接： https://openreview.net/forum?id=qH9nrMNTIW 。 针对原GitHub中代码的问题与报错，本文档对原代码进行了修改，包含了完整的 IPDiff 项目，包含测试体系、可运行（修正报错）、可训练的源代码，并标注了每一个代码修改的位置。 此代码包含了完整的 IPDiff 的使用方法，可以针对某个某个蛋白体系的特定口袋生成结合力强的分子，可以直接用于项目中，或者进行微调再训练。

MetaDiff: Meta-Learning with Conditional Diffusion for Few-Shot Learning MetaDiff：基于条件扩散的元学习方法用于少样本学习 组会汇报ppt MetaDiff是一种创新的元学习方法，它利用条件扩散模型来提升少样本学习（Few-Shot Learning, FSL）的性能。这种学习方法在面对只有少数样本可用的新任务时，通过设计一种特殊的条件UNet作为去噪模型，优化基础学习器的权重，从而实现在有限数据情况下的快速适应。具体而言，MetaDiff将传统梯度下降过程建模为一个扩散过程，这种方法有效地解决了内存消耗和梯度消失的问题。 在研究背景中，作者指出少样本学习是人工智能领域的一大核心挑战。为了提高学习器在处理少样本时的适应能力，MetaDiff利用了元学习的思想，将外层优化过程视为学习器的扩散过程。仿真结果显示，MetaDiff在处理少样本学习任务时，性能优于其他先进的少样本学习方法，能够提升模型的泛化能力，并且显著减少了内存开销。 扩散模型（Diffusion Models）是一种生成模型，其灵感来源于非平衡热力学中的扩散过程。这些模型通过模拟数据集中逐步添加噪声的过程，直至数据完全转化为噪声，然后再通过逆向过程从噪声中恢复出原始数据。在MetaDiff方法中，扩散模型起到了关键作用，帮助模型在数据集逐渐增加噪声的同时学习如何恢复数据，最终达到从少量样本中快速学习和适应新任务的目的。 作者张保权，来自哈尔滨工业大学（深圳）计算机科学与技术学院的助理教授，主要研究方向为小样本学习、多模态学习等人工智能基础理论及其在时空数据挖掘应用。文章中提及的仿真结果表明，MetaDiff方法在miniImagenet和tieredImagenet数据集上取得了明显优于现有先进技术的效果。此外，张教授的研究背景和研究成果也为元学习领域提供了新的思路和方法。 MetaDiff通过条件扩散模型，将元学习方法与数据的扩散过程相结合，创建了一种新的学习范式，这种范式在面对仅有少量样本的新任务时，能够更有效地利用数据，快速适应并提高学习性能。这种研究不仅对元学习和少样本学习的理论发展具有重要意义，而且在实际应用中也具有很大的潜力和价值。

最新的热门生成模型——扩散模型，大多被应用于处理图片数据。这里给出处理表格数据的项目案例。

从DDPM到score-based generative models再到Consistency Models的介绍，对于扩散模型的全面理解有一定的帮助。

Score-Based Generative Modeling的一个代码示例，已经训练好，并且有代码注释，帮助更深入的理解学习。

建立预测污染物通过大气和水扩散的数学模型。利用地理信息系统（GIS）技术，在沈阳市地图上，按照污染事故发生的实际地理位置，对数学模型进行模拟和显示。将模型的数值解和GIS相结合，在时间和空间上对污染扩散进行分析，计算不同污染物在不同时段的扩散面积，分析不同地点的污染物质量浓度和污染程度，获取受污染范围内的人口和周边单位等重要信息；从而预测重大污染事故对环境的影响范围和程度，预报突发性环境污染事故对周围人群、环境造成的危害，为应急监测、现场救护和灾后评估提供科学依据。