本文描述了一种更高效的迭代隐式概率模型——去噪扩散隐式模型（DDIMs），通过构建一类非马尔科夫扩散过程来加速采样过程，相对于去噪扩散概率模型（DDPMs）可以使采样速度提升10倍至50倍。这种模型可以用于图像生成和语义意义化的图像内插。

Oct, 2020

提出一种新颖的基于Langevin动力学的随机去噪方法，可在保持小MSE的同时产生高感知质量结果，并将其扩展到处理修补问题。

Jan, 2021

本文提出了一种基于先前针对噪声扩散的生成模型的方法 DDPM，用于解决各种图像恢复问题，包括超分辨率，去模糊，填补和上色，相比于现有的非监督方法，DDRM在重构质量，感知质量和运行时均表现出更好的性能。

Jan, 2022

本文提出一种基于无监督学习的生成扩散先验（GDP）方法，采用预训练的去噪扩散生成模型（DDPM）来有效地建模后验分布，并通过优化去噪过程中的退化模型参数来实现盲图像恢复，进一步采用分层引导和基于块的方法，使GDP能够产生任意分辨率的图像。实验结果表明，GDP在各种图像重建质量和感知质量的基准测试中优于当前的领先无监督方法，在各种任务和各种图像大小的数据集上都表现良好。

Apr, 2023

本文提出了一种基于扩散模型的统一条件框架，结合了轻量级UNet和固有的差异模型来增强图像恢复的物理约束，采用基本和集成模块实现了对所有块的引导和其他辅助条件信息的整合，并提出了简单而有效的截距补丁分裂策略，将其用于低光量去噪、去模糊和JPEG图像恢复的挑战任务中，得到了显著的感知质量提升和恢复任务的推广。

May, 2023

提出了一种基于残差去噪扩散模型（RDDM）的图像生成和恢复方法，该方法通过预测残差来表示从目标域到输入域的扩散方向，并同时估计噪声以考虑扩散过程中的随机扰动，从而实现了图像生成和恢复的统一。

Aug, 2023

该论文介绍了一种贝叶斯框架图像反演方法，通过导出一种与正则化去噪（RED）范式相对应的概率模型实现。同时，还实现了一种针对得到的后验分布进行采样的蒙特卡罗算法，其基于渐近精确的数据增广（AXDA）。该算法是分裂吉布斯采样（SGS）的近似实例，嵌入了一个 Langevin 蒙特卡罗步骤。该方法被应用于常见的图像处理任务，如去模糊、修复和超分辨，通过广泛的数值实验证明了其有效性。这些贡献通过在概率框架内利用数据驱动的正则化策略推进了图像处理中的贝叶斯推断。

Feb, 2024

本文介绍了一种通过扩展扩散模型进行图像修复的新方法，该方法利用生成过程中与测量身份一致的样本，并结合测量信号与初始化信息来提高生成过程的效果。实验证明了该方法在不同的图像修复任务中的有效性。

Feb, 2024

利用去噪扩散模型（DDM）作为先验来解决逆贝叶斯问题的兴趣最近显著增加。本研究采用不同方法，利用DDM先验的特定结构定义了一组中间和简化的后验采样问题，相比以前的方法，降低了近似误差。我们通过使用合成示例和各种图像恢复任务来经验性地展示了我们方法的重建能力。

Mar, 2024

本研究针对显微镜图像中存在的噪声和低分辨率问题，提出了一种基于去噪扩散概率模型（DDPM）的方法，通过低分辨率信息来预测高分辨率图像。实验结果表明，该模型在四个多样化的数据集上表现优于或相当于先前的最佳方法，且在所有数据集上的高性能显示了其良好的通用性。

Sep, 2024