各项异性扩散（Anisotropic Diffusion），是一种利用偏微分方程的降噪方法，它用的扩散系数是由迭代出来的梯度值所确定的，而非初始含燥图像的梯度值。
1990年，Perona和Malik提出了改进的各项异性扩散模型PM模型，这是偏微分方程首次真正意义上用于图像降噪。
PM模型在扩散过程中，不仅对图像边缘具有保持作用，还能够有效地去除噪声，对平坦区域的扩散强度大，细节边缘部分扩散强度小，在滤除图像噪声的同时保护了图像结构信息。
但PM模型的缺陷是无法找到噪声与边缘的精确梯度分界线，进而影响梯度值的估计，最终使得噪声变得更大，影响整体地降噪效果。实际上，传统的PM模型在处理图像时会产生阶梯效应。
为此，F·Catté等人提出了选择扩散的正则化PM模型。对原模型增加增加高斯平滑的正则化处理，并证明了其偏微分方程解的唯一性。Alvarez等人也提出了平均曲率流MCM扩散模型，进一步完善了PM模型的功能、提升了稳定性。
Weickert对扩散的各项异性进行了更为深度的研究，他将图像梯度从单一的梯度幅值扩展到梯度方向与幅值的结合，以扩散张量为图像细节的参考数据并由此提出边缘增强扩散模型（Edge-enhancing diffusion）和用于条状图像纹理结构处理的相干增强扩散（Coherence-enhancing diffusion）模型。
Steid等人在此基础上采用高阶结构张量实现了图像部分细节区域的双梯度方向降噪算法，对图像中位于边角和边缘交叉处的噪声也能够实现各项异性平滑处理。
1990年，Perona和Malik提出了改进的各项异性扩散模型PM模型，这是偏微分方程首次真正意义上用于图像降噪。
PM模型在扩散过程中，不仅对图像边缘具有保持作用，还能够有效地去除噪声，对平坦区域的扩散强度大，细节边缘部分扩散强度小，在滤除图像噪声的同时保护了图像结构信息。
但PM模型的缺陷是无法找到噪声与边缘的精确梯度分界线，进而影响梯度值的估计，最终使得噪声变得更大，影响整体地降噪效果。实际上，传统的PM模型在处理图像时会产生阶梯效应。
为此，F·Catté等人提出了选择扩散的正则化PM模型。对原模型增加增加高斯平滑的正则化处理，并证明了其偏微分方程解的唯一性。Alvarez等人也提出了平均曲率流MCM扩散模型，进一步完善了PM模型的功能、提升了稳定性。
Weickert对扩散的各项异性进行了更为深度的研究，他将图像梯度从单一的梯度幅值扩展到梯度方向与幅值的结合，以扩散张量为图像细节的参考数据并由此提出边缘增强扩散模型（Edge-enhancing diffusion）和用于条状图像纹理结构处理的相干增强扩散（Coherence-enhancing diffusion）模型。
Steid等人在此基础上采用高阶结构张量实现了图像部分细节区域的双梯度方向降噪算法，对图像中位于边角和边缘交叉处的噪声也能够实现各项异性平滑处理。
