目前，直接在高分辨率图像的像素空间中应用扩散模型存在较大困难。因此，现有方法通常转而采用低维潜在空间中的扩散（即潜在扩散模型），或采用多级超分辨率生成结构（称为级联生成）。然而，这些方法会为扩散框架引入额外的复杂性。本文旨在提升高分辨率图像的去噪扩散模型性能，同时尽可能保持模型结构的简洁性。研究的核心问题是：如何在高分辨率图像上训练标准的去噪扩散模型，仍能实现与上述替代方法相媲美的生成效果？本文得出四个主要结论：1）针对高分辨率图像，需对噪声调度（noise schedule）进行相应调整；2）仅需对网络架构中的特定部分进行缩放即可取得良好效果；3）在架构的特定位置引入丢弃（dropout）机制可有效提升性能；4）下采样是一种有效避免生成高分辨率特征图的策略。通过结合这些简单而高效的技术手段，本文在ImageNet数据集上实现了无需采样优化器（sampling modifiers）的扩散模型图像生成任务中的最先进性能。