상호 정보(MI)는 랜덤 변수 간의 관계를 측정하는 일반적인 방법이지만, 복잡한 시스템에서 이 값을 추정하는 것은 어렵다. 최근 밀도 추정 분야에서 새로운 기준을 제시한 디노이징 확산 모델을 사용하여 MI 추정을 개선할 수 있는지 연구했다. 디노이징 확산 모델의 정보 이론적 공식을 활용하여 확산 모델이 MI 추정에 직접적으로 사용될 수 있음을 보였다. 특히, MI는 노이징 프로세스에서 모든 신호 대 잡음비(SNR)에 대해 적분된 조건부 및 비조건부 확산 간의 최소 평균 제곱 오차(MMSE)의 절반 간격에 해당한다. 제안하는 방법은 자기 일관성 테스트를 통과할 뿐만 아니라 기존 및 점수 기반 확산 MI 추정기보다 성능이 뛰어나다. 또한 적응적 중요도 샘플링을 활용하여 확장 가능한 MI 추정을 달성하며, MI가 높을 때도 강력한 성능을 유지한다.
