Denoising Diffusion Probabilistic Models
UC Berkeley（加州大学伯克利分校）
我们提出了高品质的图像合成结果，使用扩散概率模型，一类潜变量模型的启发，从非平衡态热力学的考虑。我们最好的结果是通过训练加权变分界，根据扩散概率模型和去噪得分匹配与朗之万动力学之间的一种新的连接设计的，我们的模型自然承认一个渐进的有损解压缩方案，可以解释为一个泛化的自回归解码。在无条件CIFAR10数据集上，我们获得了9.46的Inception评分和3.17的最新FID评分。在256x256 LSUN上，我们获得了与ProgressiveGAN相似的样本质量。我们的实现可以在https://github.com/hojonathanho/diffusion上获得
2020-12-16 cs.LG stat.ML
Exact Global MCMC with Denoising Diffusion
本研究提出去噪扩散蒙特卡洛（DDMC）方法，将去噪扩散模型与MALA结合，为复杂高维目标密度提供高接受率的全局MCMC建议，初步验证了标准扩散训练缩放行为可迁移至高维未归一化密度的精确采样。
2026-09-02 cs.LG stat.ML
Beyond Fixed Horizons: A Theoretical Framework for Adaptive Denoising Diffusions
Kiel University（基尔大学）；Heidelberg University（海德堡大学）；University of Stuttgart（斯图加特大学）
本文提出了一种自适应去噪扩散模型，通过时间齐结构和h-变换实现步骤数自适应调整，适用于低维数据生成和多种下游任务。
2026-01-21 cs.LG stat.ML
Drift Estimation for Stochastic Differential Equations with Denoising Diffusion Models
本文提出利用去噪扩散模型估计随机微分方程中的漂移函数，该方法在不同维度下均表现出竞争力，且优势不受架构设计限制。
2026-02-19 cs.LG stat.ML
Denoising Diffusion Samplers
University of Cambridge（剑桥大学）；DeepMind（深度思维）
本文提出 Denoising Diffusion Samplers（DDS），通过近似目标密度向高斯扩散过程的时间反演，实现非归一化密度采样与归一化常数估计，并给出理论联系及实验验证。
2023-08-16 cs.LG stat.ML
Non-Denoising Forward-Time Diffusions
本文提出非去噪前向时间扩散方法，通过扩散桥混合实现精确传输，无需时间反转，增强动力学灵活性，并利用神经网络近似，建立通用生成建模框架。
2023-12-22 cs.LG stat.ML
Particle Denoising Diffusion Sampler
University of Oxford（牛津大学）；CNRS（法国国家科学研究中心）；ENS Ulm（巴黎高等师范学院乌尔姆校区）
针对未归一化概率密度采样及归一化常数计算问题，提出基于新型分数匹配损失的迭代粒子方案PDDS，可在温和假设下给出渐近一致估计。
2024-06-15 cs.LG stat.CO stat.ML
RDDMPI: Residual Denoising Diffusion Model for Probabilistic Multivariate Time Series Imputation
University of Miami（迈阿密大学）
针对多元时间序列插补中扩散模型直接建模原始数据过于复杂的问题，提出RDDMPI残差扩散框架，将插补分解为基线预测与残差扩散，提升重建精度与不确定性量化。
2026-09-11 cs.LG stat.ML
Smoothing the Landscape: Causal Structure Learning via Diffusion Denoising Objectives
Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）；Harvard Medical School（哈佛医学院）；Department of Computer Science, Tufts University（塔夫茨大学计算机科学系）
本文提出Denoising Diffusion Causal Discovery框架，利用扩散模型去噪目标平滑梯度以提升收敛稳定性，并引入自适应k-hop无环约束提升运行效率，实验证明其在合成数据和现实案例中的有效性。
2026-04-02 cs.LG stat.ML
Improved Denoising Diffusion Probabilistic Models
OpenAI
去噪扩散概率模型（DDPM）是一类最近被证明可以产生优秀样本的生成模型。我们表明，通过一些简单的修改，DDPM也可以实现有竞争力的对数似然，同时保持高样本质量。此外，我们发现，反向扩散过程的学习方差允许采样的数量级较少的前向传递与样本质量的差异可以忽略不计，这是很重要的实际部署这些模型。我们还使用精确度和召回率来比较DDPM和GANs覆盖目标分布的程度。最后，我们证明了这些模型的样本质量和可能性随着模型容量和训练计算而平滑地扩展，使它们易于扩展。我们在https://github.com/openai/improved-diffusion上发布代码
2021-02-18 cs.AI cs.LG stat.ML
Exploiting the Exact Denoising Posterior Score in Training-Free Guidance of Diffusion Models
PhysicsX Ltd.（PhysicsX有限公司）
本研究提出纯去噪任务下精确后验分数的可求解新表达式，分析DPS分数的时间相关误差并动态计算步长最小化误差，该方法性能比肩SOTA且采样步数少于DPS，步长可迁移至多种图像逆问题。
2025-06-16 cs.CV cs.LG stat.ML
Pyramidal Denoising Diffusion Probabilistic Models
Korea Advanced Institute of Science and Technology(KAIST)（韩国科学技术院（KAIST））
近年来，扩散模型在图像生成方面表现出了令人瞩目的性能，并在各种计算机视觉任务中得到了广泛的研究。不幸的是，训练和评估扩散模型消耗大量的时间和计算资源。为了解决这个问题，在这里，我们提出了一种新的金字塔扩散模型，可以生成高分辨率的图像，从更粗糙的分辨率图像开始使用{ \em单一}分数函数训练的位置嵌入。这使得神经网络能够更轻，并且还能够在不损害其性能的情况下实现时间有效的图像生成。此外，我们表明，该方法也可以有效地用于多尺度超分辨率问题，使用一个单一的评分函数。
2022-09-30 cs.CV cs.LG stat.ML
Denoising Diffusion Variational Inference: Diffusion Models as Expressive Variational Posteriors
本文提出DDVI，一种基于扩散模型的黑盒变分推断算法，通过迭代优化潜在空间后验，提升深度潜在变量模型的推理与学习性能。
2026-10-24 cs.LG q-bio.QM stat.ML
Bayesian ECG reconstruction using denoising diffusion generative models
本文提出用健康心电图数据训练的去噪扩散生成模型（DDGM）进行贝叶斯心电图重建，实现逼真心电信号生成，并应用于QTc计算、噪声抑制、缺失导联恢复和异常识别等临床任务。
2023-12-18 cs.LG eess.SP stat.ML
FirstDiff: One-Step Diffusion-Based Anomaly Detection for Multivariate Time Series via Initial Noise Prediction
FirstDiff是一种基于初始噪声预测的单步扩散异常检测框架，采用Diffusion Transformer作为骨干，仅需一次去噪网络评估即可在五个基准数据集上实现最优多变量时间序列异常检测性能。
2026-08-18 cs.AI cs.LG stat.ML
Convergence of denoising diffusion models under the manifold hypothesis
CNRS（法国国家科学研究中心）；PSL University（巴黎文理研究大学）；ENS（巴黎高等师范学院）
本文首次在目标分布支撑于低维流形或为经验分布的一般设定下，建立去噪扩散模型的收敛性理论，并给出一阶Wasserstein距离的定量界。
2023-05-29 cs.LG math.PR stat.ML
Sparse Inducing Points in Deep Gaussian Processes: Enhancing Modeling with Denoising Diffusion Variational Inference
South China University of Technology（华南理工大学）；Columbia University（哥伦比亚大学）
针对深度高斯过程中诱导点后验推断易产生偏差的问题，提出基于去噪扩散随机微分方程的去噪扩散变分推断（DDVI）方法，利用神经网络近似分数函数并推导出新的变分下界，有效提升了后验推断的准确性。
2024-07-24 cs.AI cs.LG stat.ML
Statistical guarantees for denoising reflected diffusion models
Aarhus University（奥胡斯大学）；Heidelberg University（海德堡大学）；University of Stuttgart（斯图加特大学）
本文提出去噪反射扩散模型，通过理论分析和改进的分数近似方法，在Sobolev光滑性假设下建立了总变差收敛率，与最小最大下界相匹配。
2026-03-02 math.ST stat.ML stat.TH
Listening to the Noise: Blind Denoising with Gibbs Diffusion
Ecole Polytechnique, Institut Polytechnique de Paris（巴黎综合理工学院，巴黎综合理工学院）；Flatiron Institute（弗拉蒂伦研究所）
提出吉布斯扩散（GDiff）方法，通过交替条件扩散采样与蒙特卡洛推断，实现未知噪声参数下的盲去噪，并应用于自然图像与宇宙微波背景数据分析。
2024-06-25 astro-ph.CO cs.CV cs.LG
Think While You Generate: Discrete Diffusion with Planned Denoising
Massachusetts Institute of Technology（麻省理工学院）；University of Oxford（牛津大学）；NVIDIA Research（英伟达研究院）
本文提出DDPD框架，将离散扩散生成过程分解为规划器与去噪器两部分，通过规划器按最优顺序识别并去噪损坏位置，在语言建模和图像生成任务上显著缩小了扩散方法与自回归方法的性能差距。
2025-04-10 cs.AI cs.CL cs.CV
Denoising Diffusions with Optimal Transport: Localization, Curvature, and Multi-Scale Complexity
University of Chicago, Booth School of Business（芝加哥大学商学院）；University of Chicago（芝加哥大学）
该研究探讨了基于最优传输的去噪扩散方法，通过多尺度曲率复杂性分析去噪难度，揭示了曲率与信噪比的关系，以及多尺度复杂性对去噪过程的影响。
2026-02-14 cs.LG math.OC math.ST
A Theoretical Justification for Image Inpainting using Denoising Diffusion Probabilistic Models
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们提供了一个理论上的理由，样本恢复使用基于扩散的图像修复在线性模型设置。虽然大多数修复算法需要重新训练，每个新的面具，我们证明了基于扩散的修复推广以及看不见的面具，而无需重新训练。我们分析了最近提出的一种流行的基于扩散的修复算法，称为RePaint（Lugmayr等人，2022），并表明，它有一个偏差，由于错位，阻碍样品恢复，即使在两个国家的扩散过程。出于我们的分析，我们提出了一个修改后的RePaint算法，我们称之为RePaint $^+$，可证明恢复底层的真实样本，并享有线性收敛速度。它通过纠正反向过程的漂移和色散中存在的未对准误差来实现这一点。据我们所知，这是基于扩散的图像修复算法的第一个线性收敛结果。
2023-02-02 cs.AI cs.LG math.ST
DiffDenoise: Self-Supervised Medical Image Denoising with Conditional Diffusion Models
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；United Imaging Intelligence（联影智能）
本文提出DiffDenoise，一种基于条件扩散模型的三阶段自监督医学图像去噪方法，通过盲点网络条件输入、对称噪声平均采样和监督去噪网络，有效保留高频细节，在合成与真实任务中超越现有方法。
2025-03-31 cs.CV eess.IV stat.ML
