提出了一种 DiffGMM 模型，它是基于扩散和高斯混合模型的去噪模型。通过反向过程估计高斯混合模型的参数，从而近似真实噪声分布，并通过连续减去估计的噪声来输出清晰的音频信号。广泛的实验结果表明，所提出的 DiffGMM 模型达到了最先进的性能。
Jun, 2024
本论文探讨将随机控制方法运用于泛化的去噪扩散模型及样本生成中，并尝试将现有的神经网络近似方法应用于去噪扩散模型及样本生成中。
May, 2023
通过研究了不同的噪声分布（高斯分布和非高斯分布），我们发现扩散模型中高斯分布的噪声可以最好地用于生成数据，因此我们可以使用与非高斯噪声相关的扩散过程来确定噪声分布的选择。
Apr, 2023
利用 Gibbs 扩散（GDiff）方法，在参数化高斯噪声的假设下，提出了一种盲去噪的方法，通过一种条件扩散模型和蒙特卡洛采样器交替采样，可以推断出信号和噪声参数。
Feb, 2024
本综述为关于应用于计算机视觉的去噪扩散模型文章提供了全面的回顾，包括在领域中的理论和实际贡献，提供了三种通用扩散建模框架，并介绍了扩散模型与其他深度生成模型之间的关系，并引入了在计算机视觉中应用扩散模型的多个视角分类，最后，我们说明了离散模型的当前限制并预见了未来研究的一些有趣方向。
Sep, 2022
通过对 DDPM 模型进行简单修改，可以在保持高质量样本的同时达到具有竞争力的对数似然值，并学习反向扩散过程的方差，从而使用数量级更少的正向传递采样。使用精度和召回率比较 DDPM 和 GAN 模型的性能，并证明这些模型的样本质量和似然值可以与模型容量和训练计算平稳地提高。
Feb, 2021
通过扩展扩散模型，使用扩散桥模型作为一种自然替代方法，该模型通过从数据中学习扩散桥分数并解决基于这些分数的（随机）微分方程，将一种分布映射到另一种分布，从而实现图像编辑等应用中纳入非随机噪声信息的目标。
Sep, 2023
在这篇文章中，我们发现了扩散模型生成质量受到迭代次数限制的根本原因，并提出了一个简单而有效的解决方案来缓解这些影响。我们的解决方案可以应用于任何现有的扩散模型，并且在各种 SOTA 体系结构上运行多个数据集和配置进行实验和详尽的消融研究，证明能够立即提高它们的生成质量。
Mar, 2022
通过在模型训练过程中加入约束条件使其生成的样本更符合所施加的约束，从而提高生成样本与约束的一致性，且相较于现有方法有更好的性能且不影响推断速度；该方法还可以自然地防止过拟合。
Mar, 2024
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。