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
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
Sawtooth Sampling for Time Series Denoising Diffusion Implicit Models
AI for Sensor Data Analytics Research Group（传感器数据 analytics 研究组）；Ulm University of Applied Sciences（乌尔姆应用科学大学）
本文提出锯齿采样器，用于加速扩散隐式模型的时间序列去噪过程，提升生成序列质量并提高分类性能。
2025-11-26 cs.LG
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
Estimating Probability Densities with Transformer and Denoising Diffusion
University of Toronto（多伦多大学）；Dunlap Institute for Astronomy and Astrophysics, University of Toronto（多伦多大学邓拉普天文与天体物理研究所）
提出在Transformer上构建去噪扩散头进行概率密度估计的方法，解决回归模型无法输出完整概率分布的问题，并在天文数据集上验证其能准确推断标签且提供合理分布。
2024-07-22 astro-ph.IM 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
DiffusionMTL: Learning Multi-Task Denoising Diffusion Model from Partially Annotated Data
Department of Computer Science and Engineering, HKUST（香港科技大学计算机科学与工程学系）
本文提出多任务去噪扩散框架DiffusionMTL，将部分标注的多任务密集预测转化为像素级去噪问题，通过联合扩散去噪与多任务条件策略利用任务互补性，显著提升预测质量并在三个基准上超越现有方法。
2024-03-22 cs.CV cs.LG
TRACT: Denoising Diffusion Models with Transitive Closure Time-Distillation
Apple（苹果公司）
去噪扩散模型已经证明了它们对于生成采样的能力。然而，生成好的样本通常需要多次迭代。因此，已经提出了诸如二进制时间蒸馏（BTD）的技术来减少固定架构的网络调用的数量。在本文中，我们介绍了TRACT（TRACT），一种新的方法，扩展了BTD。对于单步的扩散，TRACT在相同架构上将FID提高了2.4倍，并实现了新的单步去噪扩散隐式模型（DDIM）最先进的FID（ImageNet 64为7.4，CIFAR 10为3.8）。最后，我们梳理除了通过扩大消融的方法。PyTorch实现将很快发布。
2023-03-07 cs.CV cs.LG
Soft Mixture Denoising: Beyond the Expressive Bottleneck of Diffusion Models
University of Cambridge（剑桥大学）
该研究揭示扩散模型反向去噪的表达瓶颈及无界误差，并提出软混合去噪 SMD，以提升其对高斯混合分布的逼近能力和少迭代去噪性能。
2024-01-18 cs.CV cs.LG
Is Your Conditional Diffusion Model Actually Denoising?
MIT Cambridge, MA 02139（麻省理工学院）；Yale University New Haven, CT 06520（耶鲁大学）；CMU Pittsburgh, PA 15213（卡内基梅隆大学）
本文研究了条件扩散模型的去噪过程偏差，提出Schedule Deviation度量方法，揭示了模型在不同条件下的去噪流程差异问题。
2025-12-21 cs.LG
DiRecT: Safe Diffusion-Based Planning via Receding-Horizon Denoising
MIT（麻省理工学院）
提出DiRecT算法，通过随机最优控制仅在最终干净轨迹上施加约束，避免中间去噪步骤过度约束，实现安全扩散规划，提升安全性和任务性能。
2026-06-16 cs.LG
Simple and Critical Iterative Denoising: A Recasting of Discrete Diffusion in Graph Generation
Data Mining and Machine Learning group, School for Business Administration (HEG-Geneva), University of Applied Sciences and Arts of Western Switzerland（应用科学与艺术大学西瑞士分校数据挖掘与机器学习小组）；Computer Science Department, University of Geneva, Switzerland（日内瓦大学计算机科学系）
针对离散扩散在图生成中的复合去噪误差问题，提出简单迭代去噪框架，假设中间状态条件独立，并引入评判器按似然选择性保留或破坏元素，显著优于现有基线。
2025-06-23 cs.AI cs.LG
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
ReTrack: Data Unlearning in Diffusion Models through Redirecting the Denoising Trajectory
ReTrack通过重要性采样构建更高效的微调损失，重定向去噪轨迹向k近邻，实现高效数据遗忘并保持生成质量，实验显示在多个数据集上达到最佳性能平衡。
2026-03-29 cs.LG
Score-based Denoising Diffusion with Non-Isotropic Gaussian Noise Models
Mila（米拉研究所）；University of Montreal（蒙特利尔大学）；McGill University（麦吉尔大学）；Polytechnique Montréal（蒙特利尔理工学院）；Service Now（ServiceNow公司）
基于去噪扩散技术的生成模型使图像的质量和多样性得到了前所未有的提高，现在可以使用神经生成模型创建图像。然而，大多数当代国家的最先进的方法是从一个标准的各向同性高斯公式。在这项工作中，我们研究的情况下，使用非各向同性高斯分布。我们提出了关键的数学推导，用于创建去噪扩散模型使用一个底层的非各向同性高斯噪声模型。我们还提供了使用CIFAR-10数据集的初始实验，以帮助经验验证这种更通用的建模方法也可以产生高质量的样本。
2022-11-23 cs.CV cs.LG
gDDIM: Generalized denoising diffusion implicit models
Georgia Institute of Technology（佐治亚理工学院）
我们的目标是将去噪扩散隐式模型（DDIM）推广到各向同性扩散以外的一般扩散模型~（DM）。而不是在原来的DDIM构建一个非马尔可夫噪声过程中，我们从数值的角度研究DDIM的机制。我们发现，DDIM可以通过使用一些特定的近似的分数时，解决相应的随机微分方程。我们提出了一个解释DDIM的加速效应，也解释了一个确定性的采样方案的优势，快速采样的随机之一。在此基础上，我们将DDIM扩展到一般DM，即广义DDIM（gDDIM），在参数化评分网络时进行了一个小而微妙的修改。我们在两个非各向同性DM中验证了gDDIM：模糊扩散模型（BDM）和临界阻尼Langevin扩散模型（CLD）。我们在BDM中观察到超过20倍的加速度。在CLD中，一个扩散模型，通过增加扩散过程的速度，我们的算法实现了FID分数为2.26，在CIFAR 10上，只有50个分数函数评估~（NFE）和FID分数为2.86，只有27个NFE。代码可在https://github.com/qsh-zh/gDDIM上获得
2023-03-23 cs.LG
Residual Denoising Diffusion Models
University of Chinese Academy of Sciences（中国科学院大学）；Shenyang University（沈阳大学）；The University of Hong Kong（香港大学）
提出残差去噪扩散模型（RDDM），将单一去噪过程解耦为残差扩散和噪声扩散，统一并解释了图像生成与恢复任务，且仅用L1损失和批大小1训练的UNet即可媲美SOTA方法。
2024-03-22 cs.CV cs.LG
A Denoising Diffusion Model for Fluid Field Prediction
Niels Bohr Institute, University of Copenhagen（哥本哈根大学尼尔斯·玻尔研究所）；DIKU, University of Copenhagen（哥本哈根大学计算机科学系）
我们提出了一种新的去噪扩散生成模型预测非线性流场命名为FluidDiff。通过执行扩散过程，该模型能够学习高维动态系统的复杂表示，然后使用Langevin采样来生成指定初始条件下的流动状态的预测。该模型使用有限的离散流体模拟数据进行训练。我们证明，我们的模型有能力模拟训练数据的分布，它给出了准确的预测测试数据。在没有底层物理系统的编码先验知识的情况下，它与其他用于流体预测的深度学习模型具有竞争力的性能，这对于研究新的计算流体动力学方法是有希望的。
2023-01-30 cs.LG physics.flu-dyn
Object-centric Denoising Diffusion Models for Physical Reasoning
本文提出一种以对象为中心的去噪扩散模型用于物理推理，支持任意物体在任意时间步上的条件设定，并验证了其在多条件任务及不同物体数量和轨迹长度下的表现。
2025-07-07 cs.AI cs.LG
Memorization Control in Diffusion Models from Denoising-centric Perspective
Department of Computer Science（计算机科学系）；Brunel University of London（布鲁内尔大学）；Hanoi University of Science and Technology（河内科学技术大学）；Faculty of Electrical and Electronic Engineering School of Engineering（电气电子工程系工程学院）；Phenikaa University（Phenikaa大学）；Greenwich Vietnam FPT University（格林威治越南FPT大学）；College of Engineering（工程学院）；Shibaura Institute of Technology（Shibaura技术学院）
本文提出从去噪视角控制扩散模型记忆性的策略，通过调整时间步采样策略减少记忆性并提升分布对齐效果。
2026-01-29 cs.AI cs.LG
Image Embedding for Denoising Generative Models
University of Bologna（博洛尼亚大学）
去噪扩散模型在生成式建模领域越来越受欢迎，原因有几个，包括简单稳定的训练，优秀的生成质量和坚实的概率基础。在这篇文章中，我们解决的问题{ \em嵌入}的潜在空间的图像去噪扩散模型，即找到一个合适的“噪声”的图像，其去噪的结果在原始图像。我们特别关注去噪扩散隐式模型，由于其反向扩散过程的确定性。作为我们的调查的一个副作用，我们获得了更深入的了解扩散模型的潜在空间的结构，打开有趣的视角，其探索，语义轨迹的定义，和编辑目的的编码的操纵/调节。我们的研究强调了一个特别有趣的属性，这也是这类生成模型的特征，是潜在表示与实现反向扩散过程的网络的独立性。换句话说，一个共同的种子传递到不同的网络（每个网络都在同一个数据集上训练），最终会产生相同的图像。
2022-12-30 cs.AI cs.CV cs.LG
Semi-Implicit Denoising Diffusion Models (SIDDMs)
Google（谷歌）；Boston University（波士顿大学）；The University of Melbourne（墨尔本大学）；Carnegie Mellon University（卡内基梅隆大学）
针对扩散模型采样慢而GAN扩展性差的问题，提出半隐式去噪扩散模型（SIDDMs），通过匹配隐式与显式因子实现大步长快速采样，性能与扩散模型相当且优于少步模型。
2023-10-10 cs.CV cs.LG
Graph Convolutional Attention: A Spectral Perspective on Graph Denoising and Diffusion
University of Pennsylvania（宾夕法尼亚大学）；King Juan Carlos University（胡安·卡洛斯国王大学）；Stanford University（斯坦福大学）
研究图去噪问题，提出图卷积注意力（GCA）方法，通过利用输入图谱实现谱去噪，在随机块模型中与理想机制匹配，实验证明其能提升图去噪和扩散性能，在 DiGress 中表现良好且推理更快。
2026-10-14 cs.AI cs.LG
Denoising Task Difficulty-based Curriculum for Training Diffusion Models
Ajou University（明知大学）
针对扩散模型去噪任务难度争议，本研究通过分析收敛行为和相对熵揭示早期时间步难度更大，提出基于难度聚类的从易到难课程学习方案，在多图像生成任务中实现性能提升与收敛加速。
2025-02-11 cs.CV cs.LG
SUD$^2$: Supervision by Denoising Diffusion Models for Image Reconstruction
University of Maryland, College Park（马里兰大学帕克分校）；Massachusetts Institute of Technology（麻省理工学院）
针对前向模型未知且配对数据稀缺的成像逆问题，提出SUD$^2$框架，利用图像去噪算法及去噪扩散模型在无配对数据下监督图像重建网络的训练。
2023-04-03 cs.CV cs.LG eess.IV
Detection and Imputation based Two-Stage Denoising Diffusion Power System Measurement Recovery under Cyber-Physical Uncertainties
State Key Laboratory of Advanced Electromagnetic Technology, School of Electrical and Electronic Engineering, Huazhong University of Science and Technology（华中科技大学电气与电子工程学院先进电磁技术国家重点实验室）；Department of Electrical Engineering and Computer Science, Lassonde School of Engineering, York University（约克大学拉森德工程学院电气工程与计算机科学系）
针对电力系统信息物理不确定性导致的量测质量下降问题，本文提出两阶段去噪扩散模型（TSDM），通过分类器引导异常检测与扩散插补组件实现量测恢复，经实验验证其在强随机和非线性场景下准确性、鲁棒性更优且计算复杂度更低。
2024-12-03 cs.CR cs.LG
Restoring Vision in Adverse Weather Conditions with Patch-Based Denoising Diffusion Models
Graz University of Technology（格拉茨工业大学）；Silicon Austria Labs（奥地利硅实验室）
本文提出基于 patch 的去噪扩散概率模型，通过重叠 patch 的平滑噪声估计与引导去噪实现任意尺寸图像恢复，并在多类恶劣天气任务中达到最先进性能。
2022-11-21 cs.CV cs.LG
Airfoil Diffusion: Denoising Diffusion Model For Conditional Airfoil Generation
Carnegie Mellon University（卡内基梅隆大学）
本文提出基于扩散模型的数据驱动翼型生成方法，可通过气动性能或几何准则进行条件约束，高效生成具有真实气动特性的创新翼型，突破了传统设计参数的限制。
2024-12-18 cs.AI cs.LG
CoDe: Blockwise Control for Denoising Diffusion Models
Delft University of Technology（代尔夫特理工大学）；Shell Global Solutions International B.V.（壳牌全球解决方案国际有限公司）；Massachusetts Institute of Technology（麻省理工学院）
本文提出推理时无梯度引导方法 CoDe，通过在中间去噪步骤进行分块采样实现扩散模型与下游奖励对齐，在奖励对齐、指令遵循和推理成本间取得有利权衡。
2025-05-03 cs.CV cs.LG
Equivariant Asynchronous Diffusion: An Adaptive Denoising Schedule for Accelerated Molecular Conformation Generation
Shanghai Academy of Artificial Intelligence for Science, SAIS（上海人工智能科学研究院，SAIS）；College of Chemistry and Chemical Engineering, Xiamen University（厦门大学化学与化工学院）；Artificial Intelligence Innovation and Incubation (AI 3 ) Institute, Fudan University（复旦大学人工智能创新与孵化（AI 3）研究院）
本文提出等变异步扩散模型，结合异步去噪时间表与分子级时间表，有效捕捉分子层次结构，提升3D分子生成性能。
2026-04-24 cs.AI cs.LG q-bio.QM
Bilateral Denoising Diffusion Models
Tencent AI Lab（腾讯人工智能实验室）
去噪扩散概率模型（DDPM）已成为一种有竞争力的生成模型，但也给有效采样带来了挑战。在本文中，我们提出了新的双边去噪扩散模型（BDDMs），它需要显着更少的步骤来生成高质量的样本。从一个双边的建模目标，BDDMs参数的前，后的过程与得分网络和调度网络，分别。我们表明，一个新的下界比标准的证据下界更紧，可以推导出作为训练这两个网络的代理目标。具体地，BDDM是高效的、训练简单的，并且能够通过优化推理噪声调度来进一步改进任何预先训练的DDPM。我们的实验表明，BDDM可以生成高保真样本，只需3个采样步骤，并产生可比的，甚至更高质量的样本比DDPM使用1000步骤，只有16个采样步骤（62倍加速）。
2021-09-14 cs.AI cs.LG cs.SD
Volumetric Conditional Score-based Residual Diffusion Model for PET/MR Denoising
Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Zhejiang University（浙江大学）；Tsinghua University（清华大学）；Neuroscience Research Institute（神经科学研究所）；Gachon University of Medicine and Science（嘉泉医科大学）
本文提出条件分数残差扩散模型CSRD，通过精细化分数函数与三维分块训练策略实现高效体积PET去噪，融合PET/MRI体积数据以保持解剖一致性，在定性和定量评估中均优于现有方法。
2024-09-30 cs.CV cs.LG eess.IV
Non Gaussian Denoising Diffusion Models
Tel-Aviv University（特拉维夫大学）；Facebook AI Research（脸书人工智能研究院）；École Normale Supérieure Paris-Saclay（巴黎-萨克雷高等师范学院）
生成扩散过程是一种新兴的有效的图像和语音生成工具。在现有的方法中，扩散过程的下划线噪声分布是高斯噪声。然而，具有更多自由度的拟合分布可以帮助这种生成模型的性能。在这项工作中，我们调查其他类型的噪声分布的扩散过程。具体来说，我们表明，从伽马分布的噪声提供了改进的结果，图像和语音生成。此外，我们表明，在扩散过程中使用高斯噪声变量的混合物，提高了基于单一分布的扩散过程的性能。我们的方法保留了在训练扩散过程中有效采样状态的能力，同时使用Gamma噪声和噪声的混合。
2021-06-14 cs.CV cs.LG cs.SD
Inversion by Direct Iteration: An Alternative to Denoising Diffusion for Image Restoration
Google Research（谷歌研究院）
提出直接迭代反演（InDI）方法，通过逐步迭代复原图像而非单步回归，避免“回归均值”效应，无需退化过程解析形式，适用于多种图像复原任务并提升感知质量。
2024-02-02 cs.CV cs.LG eess.IV
Denoising Diffusion Error Correction Codes
The Blavatnik School of Computer Science（布拉瓦特尼克计算机科学学院）；Tel Aviv University（特拉维夫大学）
纠错码（ECC）是物理通信层不可或缺的一部分，可确保在噪声信道上进行可靠的数据传输。最近，神经解码器已经证明了它们相对于经典解码技术的优势。然而，最近的国家的最先进的神经解码器遭受高复杂性，并缺乏许多传统解码器的重要的迭代方案特性。在这项工作中，我们建议采用去噪扩散模型的软解码的线性码在任意块长度。我们的框架模型的前向通道腐败作为一系列的扩散步骤，可以反复逆转。作出了三项贡献：（i）引入适合于解码设置的扩散过程，（ii）神经扩散解码器以奇偶校验错误的数量为条件，奇偶校验错误的数量指示给定步骤处的损坏程度，（iii）基于代码的校正子的线搜索过程获得最佳反向扩散步长。所提出的方法证明了ECC的扩散模型的能力，并且能够实现最先进的精度，甚至对于单个反向扩散步骤，也能够通过相当大的裕度优于其他神经解码器。
2022-09-16 cs.AI cs.IT cs.LG
Structured Denoising Diffusion Models in Discrete State-Spaces
Google Research（谷歌研究院）；Microsoft Research（微软研究院）
去噪扩散概率模型（DDPM）（Ho等人，2020年）在连续状态空间中的图像和波形生成方面显示出令人印象深刻的结果。在这里，我们介绍离散去噪扩散概率模型（D3 PM），这是离散数据的类扩散生成模型，它通过超越具有均匀转移概率的腐败过程，推广了Hoogeboom et al. 2021的多项式扩散模型。这包括在连续空间中模仿高斯内核的过渡矩阵的腐败，基于嵌入空间中最近邻居的矩阵，以及引入吸收状态的矩阵。第三个允许我们绘制扩散模型和自回归和基于掩码的生成模型之间的连接。我们表明，过渡矩阵的选择是一个重要的设计决策，导致图像和文本域的改进结果。我们还引入了一个新的损失函数，它结合了变分下界与辅助交叉熵损失。对于文本，这个模型类在字符级文本生成方面取得了很好的效果，同时在LM 1B上扩展到大词汇表。在图像数据集CIFAR-10上，我们的模型接近样本质量，超过了连续空间DDPM模型的对数似然。
2023-02-22 cs.AI cs.CL cs.CV
SharedSAE: a unified sparse dictionary across u-net blocks and denoising time for diffusion models
Hunan University（湖南大学）
SharedSAE是扩散模型中跨U-Net模块和去噪时间的统一稀疏字典，通过特定适配器和时间条件模块实现，可用于概念分析与擦除，能将I2P检测器阳性子集的NudeNet阳性生成从139降至1。
2026-10-14 cs.AI cs.CV cs.LG
From Denoising Diffusions to Denoising Markov Models
University of Oxford（牛津大学）；ENS（法国高等师范学院）
本文提出一个统一框架，将基于分数匹配的去噪扩散模型推广至更广泛的空间类别，实现了分数匹配的原创性扩展，并在多种应用中验证了其有效性。
2024-02-18 cs.LG stat.ML
Computational bottlenecks for denoising diffusions
Department of Statistics and Department of Mathematics, Stanford University（斯坦福大学统计系与数学系）；Department of Statistics, Stanford University（斯坦福大学统计系）
研究探讨了是否所有可采样的分布都能通过扩散过程采样，发现某些分布虽易采样但扩散过程的漂移项难以计算。
2026-04-08 cs.LG stat.ML
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
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
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
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
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
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
RDDPM: Robust Denoising Diffusion Probabilistic Model for Unsupervised Anomaly Segmentation
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology（H. Milton Stewart工业与系统工程学院，佐治亚理工学院）
针对仅含受污染无标签数据的场景，提出鲁棒去噪扩散概率模型RDDPM，通过鲁棒回归重释扩散模型，在MVTec上显著提升异常分割性能。
2025-08-04 cs.CV eess.IV stat.ML
