本文使用受非平衡热力学考虑的潜变量模型——扩散概率模型，提出了高质量的图像合成结果。通过根据扩散概率模型和Langevin动力学的去噪得分匹配之间的新颖联系设计加权变分界限进行训练，获得了最佳结果；此外，我们的模型自然地采用渐进式有损解压缩方案，可以解释为自回归解码的一般化。在无条件的CIFAR10数据集上，我们获得了9.46的Inception得分和3.17的最先进的FID得分。在256x256 LSUN上，我们获得了与ProgressiveGAN相似的样本质量。

Jun, 2020

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。

Jun, 2023

通过学习逐渐将数据分布扩散为高斯噪声的过程，并以随机噪声进行迭代去噪处理，去噪扩散概率模型（DDPMs）在各种图像生成任务中取得了令人印象深刻的性能。本文提出了部分扩散模型（PartDiff），通过将图像扩散到中间潜在状态而不是纯随机噪声来生成新数据，并采用近似于低分辨率图像扩散的潜在状态来逼近中间潜在状态。实验证明，与纯扩散基础的超分辨率方法相比，部分扩散模型可以显著减少去噪步骤的数量而不损失生成的质量。

Jul, 2023

利用连续动力系统设计一种新型去噪网络，以提高扩散模型的参数效率、收敛速度和噪声鲁棒性。与基准模型相比，该模型具有约四分之一的参数量和百分之三十的浮点操作数（FLOPs），推理速度提高了70％，并且收敛到了更好的质量解。

Oct, 2023

本研究提出一种名为SR-DDPM的新方法，通过利用少样本表示学习技术，解决面临有限数据的多任务图像生成挑战，以提高图像质量，并在标准图像数据集上对其进行评估，发现其在FID和SSIM指标上优于无条件和有条件的DDPM。

Nov, 2023

高分辨率图像生成中的噪声扩散概率模型（DDPM）是研究的关键，通过引入扩散状态空间模型（DiffuSSM）架构来处理高分辨率图像的生成和表示，从而显著降低计算复杂度，并展示了与使用注意力模块的扩散模型相媲美甚至优于的生成图像质量和计算效率。

Nov, 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

Fast-DDPM是一种简单而有效的方法，可同时提高训练速度、采样速度和生成质量，通过仅使用10个时间步进行训练和采样，相比DDPM，Fast-DDPM能够在医学图像生成任务中优于基于卷积网络和生成对抗网络的当前最先进方法，并将训练时间缩短了5倍，采样时间缩短了100倍。

May, 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