本文识别了去噪模型训练损失中的奇点源，导致预测向源或目标分布均值归零。提出了一种新模型——线匹配模型（LMM），提高了采样效率和生成样本的保真度，在多个基准数据集上取得了先进的FID分数。

本研究提出了MSSIDD数据集，评估去噪模型在不同传感器间的迁移能力，并设计了传感器一致性训练框架，以提高模型的泛化能力。

本研究提出AnyLogo零样本区域定制器，通过精简的扩散系统和双子状态，提高主题传输效率，解决定制化保真度问题，并在单个去噪模型中有效回收签名。

DBF是一种视频多模态融合去噪模型，使用瓶颈机制过滤噪声和冗余信息，并采用互信息最大化模块来调节过滤器以保留关键信息。实验表明，该模型在多个基准测试中都有显著的改进效果，可以有效地从嘈杂和冗余的视频、音频和文本输入中捕捉到显著特征。