本文介绍了一种新型的基于热扩散（或模糊）的生成建模扩散过程，它可以等效地通过具有非等向噪声的高斯扩 散过程来定义模糊，这一过程构成了一个推断性热反馈与去噪扩散之间的桥梁。最后，我们提出了一个广义的扩散模型类，它结 合了标准的高斯去噪扩散和推断热反馈的优点，称之为模糊扩散模型。
Sep, 2022
通过改变图像退化处理方法，可以构建一系列生成模型，并且即使使用完全确定性的退化方法，也可以轻松推广扩展扩散模型的训练和测试时间更新规则，为翻转任意过程的扩散模型打下基础，这一成功也质疑了该社区对扩散模型的理解。
Aug, 2022
通过将扩散模型推广到旋转坐标系并引入模糊扩散，本文提出了一种新的粗到细的图像生成过程，以此来考虑图像中不同频率的相对重要性，实验结果表明此方法在 LSUN 卧室和教堂数据集上的成果优于之前的方法。
Jul, 2022
这篇文章介绍了一种基于扩散的生成模型，可用于音频和图像信号，并通过逐步像素损坏过程训练神经网络从随机噪声生成图像
Feb, 2023
本文针对扩散生成模型如何将纯噪声转化为有意义的图像进行了研究，提出了基于高维景观的动力学建模方法，揭示了不同训练数据中的场景元素所呈现的具体细节先后顺序，并提出了一种生成可解释图像变化的新方法。
Mar, 2023
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。
本文提出了一种基于去噪扩散概率模型的条件生成模型，通过把一个已知的、可求导的正向模型集成到去噪过程中，实现了间接观测信号的采样， 并在三项具有挑战性的计算机视觉任务中进行了验证。
Jun, 2023
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
本文提出了一种名为 DDM 的扩散模型，通过将复杂的扩散过程分解为两个相对简单的过程，来提高生成效果和速度，它通过显式转移概率近似图像分布，并通过标准维纳过程控制噪声路径；文章还提出了一个新的 DPM 训练目标，能够分别预测噪声和图像成分，同时，DDM 的逆向去噪公式可以自然地支持少数的生成步骤（不需要基于 ODE 的加速器），实验结果表明，DDM 在更少的函数评估方面优于以前的 DPM。
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