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

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

本研究提出两种方法来扩展扩散模型至通过不等式约束定义的流形，包括基于对数障碍度量的失真度量以及基于反射布朗运动的失真度量，在合成和真实任务中进行了实证表明，包括蛋白质骨架和机器人臂运动的约束构象模拟。

Apr, 2023

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

提出了一种用于简化离散扩散的数学简化方案，同时还提出了一种能够精确和加速采样的简单公式，并通过创建一个统一的模型，简化离散扩散的前向和后向概率计算，取得了在现有数据集上优于其他方法的效果。

Feb, 2024

传统扩散模型通常依赖于固定的前向过程，本文引入神经流扩散模型（NFDM），通过支持更广泛的前向过程以及提出一种新颖的参数化技术来增强扩散模型，实现了无需模拟的端到端优化目标，从而有效地最小化负对数似然的变分上界。实验证据显示 NFDM 具有出色的性能，表现为最先进的似然估计。此外，我们还研究了 NFDM 在学习具有特定特征的生成动态，如确定性直线轨迹方面的潜力，这一探索彰显了 NFDM 的多样性和广泛应用潜力。

Apr, 2024

通过两阶段训练方法，我们解决了扩散模型在语音增强中的潜在问题，实现了与基准模型相当的性能，缩短了推理过程时间，并显著优于扩散基线模型。

Sep, 2023

本文提出了一种基于 non-autoregressive diffusion model 的时间序列预测模型 TimeDiff，通过引入 future mixup 和 autoregressive initialization 两种新的条件机制，实现了高质量的时间序列预测，并在实验中展现了超过现有模型的表现。

Jun, 2023

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

本文通过导出一个变分框架来推导连续时间生成扩散理论，并表明该理论中最小化匹配得分损失等价于最大化该理论内所提出的可逆 SDE 插件的似然度的下限。

Jun, 2021