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

量子计算中的生成机器学习模型和去噪扩散模型在产生期望的量子操作方面具有优势，并在纠缠生成和酉编译等任务中展示出灵活性和潜力。

Nov, 2023

此研究介绍了量子生成扩散模型（QGDM），一种完全的量子力学模型，用于生成量子态系列，灵感来自去噪扩散概率模型。QGDM 通过引入时间步骤相关的噪声进入量子态，并配对训练以逆转这种污染的降噪机制，高效地将完全混合态演化成目标量子态。与量子生成对抗网络的比较分析证明了 QGDM 的优越性，在涉及 4 个量子比特的数值模拟中，拟真度指标超过 0.99。此外，我们提出了一种资源高效的 QGDM 版本（RE-QGDM），其在涉及 8 个量子比特的任务中减少了对辅助量子比特的需求，同时保持了令人印象深刻的生成能力。这些结果展示了所提出模型在应对具有挑战性的量子生成问题方面的潜力。

Jan, 2024

量子驱动扩散模型的量子泛化被提出，并讨论了可在实际量子系统上进行实验测试的三种量子噪声驱动的生成扩散模型。通过利用量子噪声作为生成更复杂的概率分布的重要成分，我们的结果有望为处理从气候预测到神经科学、交通流分析到金融预测等广泛的实际应用任务的新型量子驱动生成扩散算法铺平道路。

Aug, 2023

通过六个简单步骤清晰陈述，简化并阐明噪声扩散概率模型（DDPM）的构建及其工作原理。

Feb, 2024

本文提出了基于去噪扩散概率模型的无线通信方案，旨在解决实际应用中的硬件损伤、信道失真和量化误差等非理想因素，提供低信噪比下的网络韧性、对不同硬件损伤水平和量化误差的近不变重建性能，以及抵抗非高斯噪声的强大分布外表现，并通过余弦相似度和均方误差（MSE）评估与传统深度神经网络（DNN）接收机相比的超过 25 dB 改进的重建性能。

Oct, 2023

本研究探讨了量子机器学习和变分量子电路的整合，以增强扩散式图像生成模型的效力，并通过 MNIST 数字，Fashion MNIST 和 CIFAR-10 对两种量子扩散模型进行了基准测试，结果显示我们的模型在性能指标 FID、SSIM 和 PSNR 方面超越了传统模型。此外，我们还引入了一种一致性模型单一采样架构，将扩散过程合并为一步，实现了快速一步图像生成。

Jan, 2024

利用新型的去噪扩散概率模型（DDPMs）引入创新的期望最大化（EM）框架进行聚类，通过优化学习聚类友好的潜在表示，有效地提高了聚类、无监督条件生成和潜在表示学习的性能。

Dec, 2023

通过使用随机上下文模型（SCMs）产生训练数据，首次对 Denoising Diffusion Probabilistic Models（DDPMs）在医学成像领域相关信息学习能力进行了系统评估，结果表明 DDPMs 在生成具有空间上下文的图像方面具有显著的能力，可能在数据增强任务中具有 GANs 所不能达到的优势。

Sep, 2023

该论文提出了新的双边去噪扩散模型（BDDMs）来提高样本生成的质量和速度，其可以更加高效和简单地训练，以及进一步优化先前训练好的模型。

Aug, 2021