1.基于copula的多维去噪概率扩散模型图像序列生成方法，其特征在于它包括以下步骤：步骤1，给定目标图像序列是xt＝{x0t，x1t，xkt}，表示有k+1个相关的图像，这个序列也是预测的目标图像序列，正向扩散过程如下：步骤1.1将xt＝{x0t,x1t,xkt}输入到DDPM的公式(1)，得到k+1个独立的序列正向过程的噪声图像xit及其概率密度函数qi，其中0≤i≤k其中，t步加噪图像为 是受扩散长度t控制的数； 和分别表示t步加噪后的均值和方差；

步骤1.2将qi和xit分别看成copula的边缘分布及其边缘分布对应的观察数据，然后得到参数ψ＝agr(qi)和边缘概率累积分布Qi＝CDFi(xit；ψ)；

步骤1.3根据qi产生的序列，采用最大似然算法得到概率密度函数c的参数Φ，采用高斯copula连接函数c，用下式计算正向图像序列的多维分布函数h：k

h＝c(Q1，…,Qk；Φ)·Π qi(xit；ψ)步骤1.4再用最大似然法计算h得到正向扩散模型的多维概率分布模型h，Φ和ψ是模型的参数；

步骤2逆向还原过程如下：

步骤2.1用DDPM方法的公式(2)分别得到k+1个逆向还原的在t步的图像的概率分布pi(xit‑1|xit)；

其中， 和 是在t步推导t‑1步时的均值与方差,分别表示为和 扩散模型在不断的正向加噪和逆向还原的迭代过程中，让深度神经网络学习到生成数据的能力；

步骤2.2将pi(xit‑1|xit)和xit‑1看成边copula的缘分布及其观察数据然后用最大似然法计算这k+1个边缘分布的累积分布函数；

步骤2.3采用高斯copula连接函数c，用下式计算逆向复原图像序列的多维分布函数hθ：步骤2.4再用最大似然法计算hθ得到正向扩散模型的多维概率分布模型hθ，Φ和 是模型参数；

步骤3CM‑DDPM模型的深度网络采用UNet，训练的损失函数由如下表达式来表示：loss＝λ1×MSE(||Zθ(xt,cd)‑Z||2)+λ2KLD(hφ,h)其中，Zθ(xt，cd)是UNet网络，xt＝{x0t，x1t，xkt}是图像序列，cd是条件变量，可以是图像、文本、声音数据；Z是添加到图像序列的噪声；KLD(hφ，h)是步骤1.4和步骤2.4分别计算的高斯copula模型h和 之间的Kullback‑Leibler距离；λ1和λ2分别是两个控制损失函数输出loss的权重；

步骤4训练好的UNet进行推理，将训练好的网络迭代采样T＝1000次得到网络最终预测输出，迭代公式如下：xt‑1＝Zθ(xt,cd)

上面公式，在t时刻的图像xt和条件cd输入网络，反向生成t‑1时刻的图像xt‑1。

2.权利要求1所述图像序列生成方法，其特征在于利用高斯copula模型将多个独立的去噪扩散概率模型连接为一个多维的去噪扩散概率模型。

3.权利要求1所述图像序列生成方法，其特征在于提出的图像序列生成方法可以扩展应用到具有相关性的其它数据序列的生成。