本研究提出了一种热扩散模型（HDM），有效解决了图像生成方法在细节保留方面的不足。实验结果表明，HDM在生成质量上优于DDPM和一致性扩散模型（CDM）。

本文介绍了直接去噪扩散模型（DDDM），一种生成逼真图像的简单且通用方法。DDDM不需要精心设计的采样器或预训练的蒸馏模型，通过考虑前一时间步生成的样本来引导迭代生成过程。该方法在基准数据集上表现出强大的性能，超越了GAN和蒸馏基模型。在ImageNet 64x64上，与主要模型相当。

本研究使用扩散模型进行半监督图像分割，发现小步骤生成的潜在表示更具鲁棒性。通过利用小步骤和大步骤的正则化效果生成预测，该模型在领域变化设置中表现出较好的性能。突显了DDPM在半监督医学图像分割中的潜力，并提供了优化其在领域变化下性能的见解。

提出了一种名为TimeAutoDiff的模型，结合了VAE和DDPM的思想，用于生成时间序列表格数据。该模型具有良好的保真度和实用性，并在生成速度上有显著改进。同时，它还能够对具有异构特征的多序列时间序列表格数据进行有条件生成。

该文章介绍了基于状态空间模型的方法在医学图像分割中的优势，提出了一种名为Vision Mamba-UNetV2的方法，通过引入VSS块和SDI来捕捉上下文信息和增强特征融合。实验证明该方法在医学图像分割任务中表现出竞争力。

本文研究了非均匀离散时间马尔可夫过程中的去噪扩散概率模型（DDPM）。通过与已知的研究广泛的OU过程建立等价关系，证明了DDPM中的噪声调度器设计问题等价于OU过程的观测时间设计问题。提出了几种启发式的观测时间设计，并将其与DDPM的特殊噪声调度相连接。展示了费舍尔信息驱动的调度与余弦调度完全一致。

研究使用DDPM生成太阳图像，解决太阳活动预测数据稀缺问题。结果显示有希望的生成太阳图像，强调DDPM在太阳数据分析和预测方面的潜力，以及在其他深度学习和物理任务中的应用探索。

本文介绍了音频信号的两种零样本编辑技术：基于文本的编辑和无监督发现语义编辑方向的新方法。这些方法展示了音乐上的有趣修改，如控制特定乐器的参与和即兴演奏旋律。

本研究使用扩散模型进行半监督图像分割，发现较小的扩散步骤生成的表示更鲁棒，通过结合小步骤和大步骤的正则化效果生成预测，该模型在领域变化设置中表现较好。突显了DDPM在半监督医学图像分割中的潜力，并提供了优化其在领域变化下性能的见解。

本文提出了一种新的人脸图像质量评估方法DifFIQA，基于去噪扩散概率模型（DDPM）评估人脸图像质量。实验结果表现良好。

本文提出了离散去噪扩散概率模型（D3PM），用于离散数据的生成模型。研究发现过渡矩阵的选择对生成结果至关重要，新损失函数在字符级别文本生成上表现良好。

研究人员提出了一种新的去噪扩散过程Resfusion，可以整合现有的端到端模型和去噪扩散模型，提高图像分割性能。实验结果显示Resfusion在分割任务中表现出色，具有竞争力。

该文介绍了一种利用深度学习的新方案来解决噪声无线信道上的图像传输问题。该方案利用目标图像的范围 - 零空间分解，通过编码传输图像的范围空间，并采用 DDPM 逐步改进其零空间内容。实验结果表明，该方案在重建图像的失真和感知质量方面有显着改进。作者将公开共享源代码以促进进一步的研究和可重复性。

本文提出了一种基于DDPM和物理感知的图像去雾框架DehazeDDPM，适用于复杂的浑浊场景。该框架通过物理建模和DDPM的生成能力相结合，补偿浓雾引起的信息损失。实验证明，该方法在合成和真实世界的浑浊数据集上取得了最先进的性能。