本研究利用概率扩散模型生成高分辨率雷达卫星图像数据集，提出了多种新方法以提高降水预测的准确性和效率，包括机器学习的数据同化方法和自回归生成模型。实验结果表明，这些方法在短期和长期降水预测中表现优越，具有广泛的应用潜力。

本研究提出SEE-ME框架，旨在解决自我中心视频中佩戴者的3D姿态估计问题。通过结合概率扩散模型和互动信息，SEE-ME在姿态估计误差上比现有技术提高了53%。

IMUDiffusion是一种针对惯性运动捕捉系统的概率扩散模型，旨在降低运动数据生成和标注的时间与成本。该模型能够生成高质量的多变量时间序列，显著提升人类活动分类器的性能，某些情况下宏观F1-score提升近30%。

介绍了一种基于概率扩散模型的生成框架，用于多样化生成时空湍流。该方法适应各种条件情景，具有长时跨度流动序列生成的能力。通过实验展示了该框架在湍流生成领域的优点和潜力。