노이징 제거 확산(denoising diffusion) 모델은 노이즈를 점진적으로 제거함으로써 고품질 이미지 샘플을 생성하는 강력한 능력을 보여주었다. 이에 영감을 받아, 메시에서 점진적으로 노이즈를 제거하는 확산 기반 메시에스 denoiser를 제시한다. 일반적으로 확산 모델의 반복적 알고리즘은 대상 메시에 대해 전체 구조와 세부 디테일을 동시에 조작하려고 시도한다. 이러한 이유로, 아티팩트를 제거하면서도 구조를 유지하는 메시 노이즈 제거 작업에 확산 과정을 적용하기는 어렵다. 이를 해결하기 위해, 구조를 보존하는 확산 과정을 수식화한다. 메시 꼭짓점을 0을 중심으로 하는 등방성 가우시안 분포로 분산시키는 대신, 각 꼭짓점을 특정 노이즈 분포로 확산시키며, 이때 전체 구조를 보존할 수 있다. 또한, 정점(vertex)을 여러 개의 2-D 관점으로 투영하여 딥 네트워크로 확산을 효율적으로 학습할 수 있는, 토폴로지 비의존적(topology-agnostic) 메시 확산 모델을 제안한다. 이를 통해, 불규칙한 토폴로지를 갖는 임의의 메시의 확산을 학습할 수 있다. 마지막으로, 역확산(reverse diffusion)으로부터 얻은 2-D 투영에 기반한 정련(refinement)을 통해 노이즈 제거된 메시를 얻을 수 있다. 광범위한 실험을 통해, 본 방법이 정량적 및 정성적 평가 모두에서 기존의 최신 메시에스 노이즈 제거 방법들보다 성능이 우수함을 보여준다.