本文介绍了一种名为 VIC-DDPM 的可见度和图像调节的去噪扩散概率模型，它能通过在频谱域中使用原始可见度数据和在空间域中使用 dirty images 来引导图像生成过程，并在保留噪声中的信号并恢复 dirty images 中的空间信息的同时利用 DDPM 生成细节和消除噪声。 实验结果表明，VIC-DDPM 显着改善了结果图像，减少了伪影，保留了细节，恢复了暗源，进一步促进了对天文现象的射电天文学数据分析任务。

May, 2023

为了扩充现有的数据集并解决类别失衡的问题，我们提出了名为 RADiff 的条件扩散模型生成方法，用来生成包含不同形态的射电源的合成图像，同时还展示了我们训练深度学习模型并在数据集上实现语义分割任务的有效性。

Jul, 2023

利用条件 DDPM 模型生成高质量、多样化和准确的卫星图像，以及改进噪声调度、自适应归一化和自注意机制，通过算法和人类意见研究验证其在数据增强等实际应用中的有效性。

Sep, 2023

通过使用特定类型的扩散模型（DDPM）在合成孔径雷达（SAR）领域实现有条件和无条件图像生成，本研究表明 DDPM 在质量上以及定性和定量效果上都优于现有的基于 GAN 的方法，并展示了预训练对于提高 SAR 图像生成质量的益处。

May, 2024

利用生成深度学习模型 DDPM 合成太阳现象的图像，以解决太阳活动预测的数据稀缺问题，并展示了在生成逼真太阳图像方面的有希望的结果，强调 DDPM 在太阳数据分析和预测方面的潜力，以及在其他深度学习和物理任务中的应用探索。

Apr, 2024

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

利用深度学习技术和尘埃发射数据，通过预测星际辐射场的强度，研究表明尘埃温度与实际的星际辐射场之间存在弱相关性，并且模型能够捕捉到星际辐射场的变化，但精确的预测需要准确的训练数据集来反映目标分子云的独特物理条件。

Sep, 2023

本研究提出了一种基于 DDPM 的无监督去噪方法，可改善超声图像的质量并保留散斑纹理特征，在泛化对比噪声比和噪声峰值信噪比方面优于以往方法。

Jun, 2023

本文介绍了一种基于双条件去噪扩散概率模型的盲超分辨率重建框架，围绕核估计和重构进度引入了双向扩散，通过构建基于 DDPM 的核预测器和重建器实现了从 LR 图像到 HR 图像的映射，实验结果证明了我们提出的方法在盲超分辨率重建方面的优越性。

May, 2023

利用去噪扩散概率模型（DDPM）生成逼真的模拟星系图像，并借鉴深度生成学习文献中的 Frechet Inception 距离和新引入的合成星系距离指标进行相似度比较和 Emergent 物理特性比较，其效果比其他生成方法（如对手网络）更为真实，可用于量身定制特定成像调查的大量合成观测数据，证实其精确插值和域转换方法的潜在用途，并在星际物理学领域推动了该主题的进一步研究。

Nov, 2021