一文详解扩散模型：DDPM
原文中文，约8200字，阅读约需20分钟。发表于：。人工智能生成内容（AI Generated Content，AIGC）近年来成为了非常前沿的一个研究方向，生成模型目前有四个流派，分别是生成对抗网络（Generative Adversarial Models，GAN），变分自编码器（Variance Auto-Encoder，VAE），标准化流模型（Normalization Flow， NF）以及这里要介绍的扩散模型（Diffusion...
扩散模型是人工智能生成内容的前沿研究方向，包括GAN、VAE、NF和DM四个流派。它通过变分推断训练参数化的马尔可夫链，在许多任务上展现了优于其他生成模型的效果。扩散模型的核心思想是通过正向过程将噪声逐渐加入数据中，然后通过反向过程预测每一步加入的噪声，最终还原得到无噪声的图像。DDPM是扩散模型的重要基石算法，通过神经网络学习从纯噪声数据逐渐对数据进行去噪的过程。扩散模型的生成效果已达到甚至超过人类画师的水平，但仍存在采样速度慢、生成效果差和内容不可控等问题。
