使用非线性反应扩散模型的 TNRD 方法，通过动态学习参数从训练数据中同时学习滤波器和影响函数，实现图像恢复任务，包括高斯图像去噪、单图像超分辨率和 JPEG 去块，显示训练模型可以在保持扩散模型结构简单的同时，具有高效的运算速度，并在测试中取得最佳性能表现。
Aug, 2015
本研究提出了一种新的去噪扩散模型 SVNR，它假定更加现实的空间变异噪声模型，使其能够在噪声输入图像上进行去噪扩散过程，并考虑了条件图像与修改扩散过程样本之间的相关性。实验表明，相对于强扩散模型和单图像去噪方法，我们的方法具有优势。
Jun, 2023
本文介绍了一种基于扩散模型的新型通用去噪扩散模型，采用线性插值进行扩散，中间的噪声图像从原始的清晰图像和相应的真实噪声图像进行插值，使得该扩散模型可以处理添加噪声的级别，并且提出了两种采样算法，实验证明该模型在真实去噪基准测试中表现良好。
May, 2023
提出了一种称为重建生成扩散模型 (RnG) 的新方法，该方法利用重建去噪网络恢复绝大部分底层干净信号，并采用扩散算法生成剩余的高频细节，从而提高视觉质量和感知度。通过在合成和真实去噪数据集上进行广泛实验验证了该方法的优越性。
Sep, 2023
本文提出了一种非局部递归网络（NLRN），将非局部操作纳入递归神经网络（RNN）用于图像恢复，在图像去噪和超分辨率任务中，该模型由于递归非局部操作和相关性传播而取得了优越的结果。
Jun, 2018
本文提出了一种名为 DDNM 的新颖的零射击框架，用于任意线性图像修复问题，包括但不限于图像超分辨率、上色、修补、压缩感知和去模糊。DDNM 只需要一个预先训练好的 diffusion 模型作为生成先验，而不需要任何额外的训练或网络修改。我们在几个 IR 任务上的实验表明，DDNM 优于其他最先进的零射击 IR 方法。
Dec, 2022
提出了一种基于残差去噪扩散模型（RDDM）的图像生成和恢复方法，该方法通过预测残差来表示从目标域到输入域的扩散方向，并同时估计噪声以考虑扩散过程中的随机扰动，从而实现了图像生成和恢复的统一。
Aug, 2023
使用扩散模型进行无参考图像质量评估的研究，开发了新的扩散恢复网络以及两个视觉评估分支，实验证明该模型在无参考图像质量评估中优于现有方法。
Feb, 2024
我们提出了一种新的框架，通过对扩散模型的温和性进行个性化设置并使用掩蔽对抗训练来缓解图像条件中的文本移位问题，从而解决了使用 NeRF 进行重建时遇到的几个问题，并在各种真实场景上实现了最先进的 NeRF 修复结果。
Apr, 2024
本文提出了 DiffPIR，将传统的 plug-and-play 方法集成到扩散采样框架中，以期在保留扩散模型生成能力的同时完成图像还原任务，实验结果表明，DiffPIR 在三项代表性图像还原任务上取得了最先进的性能。