我们提出了贝叶斯扩散模型（BDM），这是一种预测算法，通过将自上而下的（先验）信息与自下而上的（数据驱动）过程通过联合扩散过程紧密耦合，实现有效的贝叶斯推断。我们展示了BDM在三维形状重建任务上的有效性。与在配对的（监督）数据标签（例如，图像-点云）数据集上训练的典型深度学习数据驱动方法相比，我们的BDM引入了来自独立标签（例如，点云）的丰富先验信息，以改进自下而上的三维重建。与标准的贝叶斯框架不同，在该框架中，推断需要显式的先验和似然，BDM通过具有学习梯度计算网络的耦合扩散过程，实现了无缝的信息融合。我们BDM的特点在于其能够积极有效地参与和融合自上而下与自下而上过程中的信息交换，其中每个过程本身就是一个扩散过程。我们在三维形状重建的合成和现实世界基准测试上展示了最先进的结果。