Conffusion

给扩散模型生成结果加上统计置信区间，量化不确定性

Conffusion 是论文《Conffusion: Confidence Intervals for Diffusion Models》的官方实现，旨在为扩散模型生成的图像提供统计上的置信区间。它解决的核心问题是：扩散模型输出具有随机性，用户难以判断生成结果的可靠性。通过结合共形预测（conformal prediction）技术，Conffusion 能够为每个生成像素或区域计算置信区间，量化生成结果的不确定性。其核心能力包括：将共形预测框架适配到扩散模型的采样过程，支持图像到图像（image-to-image）任务，并提供可视化工具展示置信区间。项目基于 Python 和深度学习框架，面向计算机视觉和生成模型研究人员，帮助他们在医疗影像、自动驾驶等高风险场景中更安全地使用生成模型。