With the global population increasing and arable land resources becoming increasingly limited, smart and precision agriculture have emerged as essential directions for sustainable agricultural development. Artificial intelligence (AI), particularly deep learning models, has been widely adopted in applications such as crop monitoring, pest detection, and yield prediction. Among recent generative models, diffusion models have demonstrated considerable potential in agricultural image processing, data augmentation, and remote sensing analysis. Compared to traditional generative adversarial networks (GANs), diffusion models exhibit greater training stability and superior image generation quality, effectively addressing challenges such as limited annotated datasets and imbalanced sample distributions in agricultural scenarios. This paper reviews recent advancements in the application of diffusion models within agriculture, focusing on their roles in crop disease and pest detection, remote sensing image enhancement, crop growth prediction, and agricultural resource management. Diffusion models have been found useful in improving tasks like image generation, denoising, and data augmentation in agriculture, especially when environmental noise or variability is present. While their high computational requirements and limited generalizability across domains remain concerns, the approach is gradually proving effective in real-world applications such as precision crop monitoring. As research progresses, these models may help support sustainable agriculture and address emerging challenges in food systems.

Bản dịch tiếng Việt:

Với dân số toàn cầu ngày càng tăng và nguồn tài nguyên đất canh tác ngày càng hạn chế, nông nghiệp thông minh và chính xác đã nổi lên như một hướng đi thiết yếu để phát triển nông nghiệp bền vững. Trí tuệ nhân tạo (AI), đặc biệt là các mô hình học sâu, đã được áp dụng rộng rãi trong các ứng dụng như giám sát cây trồng, phát hiện sâu bệnh và dự đoán năng suất. Trong số các mô hình tổng quát gần đây, các mô hình khuếch tán đã chứng tỏ tiềm năng đáng kể trong xử lý hình ảnh nông nghiệp, tăng cường dữ liệu và phân tích viễn thám. So với các mạng đối thủ truyền thống (GAN), các mô hình phổ biến thể hiện độ ổn định đào tạo cao hơn và chất lượng tạo hình ảnh vượt trội, giải quyết hiệu quả các thách thức như bộ dữ liệu có chú thích hạn chế và phân phối mẫu không cân bằng trong các kịch bản nông nghiệp. Bài viết này xem xét những tiến bộ gần đây trong việc áp dụng các mô hình khuếch tán trong nông nghiệp, tập trung vào vai trò của chúng trong việc phát hiện bệnh cây trồng và dịch hại, nâng cao hình ảnh viễn thám, dự đoán tăng trưởng cây trồng và quản lý tài nguyên nông nghiệp. Các mô hình khuếch tán được cho là hữu ích trong việc cải thiện các nhiệm vụ như tạo hình ảnh, khử nhiễu và tăng cường dữ liệu trong nông nghiệp, đặc biệt là khi có tiếng ồn hoặc biến đổi môi trường. Trong khi các yêu cầu tính toán cao và khả năng khái quát hóa hạn chế giữa các lĩnh vực vẫn còn là mối lo ngại thì phương pháp này đang dần chứng tỏ tính hiệu quả trong các ứng dụng trong thế giới thực như giám sát cây trồng chính xác. Khi nghiên cứu tiến triển, những mô hình này có thể giúp hỗ trợ nông nghiệp bền vững và giải quyết những thách thức mới nổi trong hệ thống thực phẩm.

Document Ready

Click below to load the full PDF document natively.