Diffusionsmodelle zeigen leistungsstarke generative Fähigkeiten, die es ermöglichen, Rauschen auf Daten mittels umgekehrter stochastischer Differentialgleichungen abzubilden. Im Bereich der Bildrestauration liegt jedoch der Schwerpunkt auf der Abbildungsbeziehung von niedriger zu höherer Bildqualität. In Bezug auf dieses Problem führen wir das Modell des verallgemeinerten Ornstein-Uhlenbeck-Bridges (GOUB) ein. Durch die Nutzung der natürlichen Reversions-Eigenschaft des verallgemeinerten OU-Prozesses und die weitere Eliminierung der Varianz seiner stationären Verteilung durch die Doob'sche h-Transformation erreichen wir Diffusionsabbildungen von Punkt zu Punkt, die es ermöglichen, hochwertige Bilder aus niedrigen Qualitätsbildern wiederherzustellen. Darüber hinaus klären wir das grundlegende mathematische Wesen, das verschiedenen Bridge-Modellen gemeinsam ist; alle sind spezielle Instanzen des GOUB-Modells, und wir demonstrieren empirisch die Optimalität unserer vorgeschlagenen Modelle. Zudem präsentieren wir das entsprechende Mean-ODE-Modell, das sowohl pixelbasierte Details als auch strukturelle Wahrnehmungen effektiv erfassen kann. Experimentelle Ergebnisse belegen die erstklassige Leistungsfähigkeit beider Modelle bei verschiedenen Aufgaben, darunter Inpainting, Entfernung von Regen (deraining) und Superresolution. Der Quellcode ist unter \url{https://github.com/Hammour-steak/GOUB} verfügbar.