Bildrauschenreduzierung ist ein grundlegendes Problem im Bereich der computergestützten Fotografie, bei dem eine hohe Wahrnehmungsqualität mit geringer Verzerrung sehr anspruchsvoll ist. Aktuelle Methoden haben Schwierigkeiten, entweder die Wahrnehmungsqualität zu gewährleisten oder leiden unter erheblichen Verzerrungen. Kürzlich haben sich aufkommende Diffusionsmodelle in verschiedenen Aufgaben als Stand der Technik erwiesen und zeigen großes Potenzial für die Bildrauschenreduzierung. Dennoch ist die Anwendung von Diffusionsmodellen zur Bildrauschenreduzierung nicht trivial und erfordert die Lösung mehrerer kritischer Probleme. Zum einen behindert die Eingabeinkonsistenz die Verbindung zwischen Diffusionsmodellen und der Bildrauschenreduzierung. Zum anderen führt die Inhaltsinkonsistenz zwischen dem generierten Bild und dem gewünschten rauschfreien Bild zu Verzerrungen. Um diese Probleme anzugehen, präsentieren wir eine neuartige Strategie namens Diffusion Model for Image Denoising (DMID), indem wir das Diffusionsmodell aus Sicht der Rauchunterdrückung neu verstehen und überdenken. Unsere DMID-Strategie umfasst eine adaptive Einbettungsmethode, die das rauschige Bild in ein vorab trainiertes unbedingtes Diffusionsmodell einbetten kann, sowie eine adaptive Ensemblemethode, die Verzerrungen im rauschfreien Bild reduziert. Unsere DMID-Strategie erreicht den aktuellen Stand der Technik sowohl bei verzerungsbasierenden als auch bei wahrnehmungsorientierten Metriken, sowohl für Gauß'sches als auch für realweltliches Bildrauschen. Der Quellcode ist unter https://github.com/Li-Tong-621/DMID verfügbar.