DDPM笔记
💡
原文中文，约17600字，阅读约需42分钟。
📝
内容提要
DDPM（去噪扩散概率模型）通过逐步添加噪声生成图像，利用神经网络预测并去除噪声。模型依赖高斯分布，损失函数使用均方误差（MSE）衡量真实噪声与预测噪声的差异。训练过程中，模型优化以提升生成图像质量，最终通过积分将预测的高斯分布转化为清晰图像。
🎯
关键要点
- DDPM（去噪扩散概率模型）通过逐步添加噪声生成图像，利用神经网络预测并去除噪声。
- 模型依赖高斯分布，损失函数使用均方误差（MSE）衡量真实噪声与预测噪声的差异。
- 训练过程中，模型优化以提升生成图像质量，最终通过积分将预测的高斯分布转化为清晰图像。
- 生成过程的起点是标准的多元高斯分布，从纯噪声逐步生成清晰图像。
- 逆向过程是单步去噪操作，模型通过神经网络预测去噪后的均值和方差。
- 前向过程是将清晰图像逐步添加噪声，生成模糊图像的轨迹。
- 损失函数的优化目标是最小化模型生成真实图像的负对数似然。
- 最终的损失函数简化为均方误差，模型专注于预测噪声而非均值。
❓
延伸问答
DDPM模型是如何生成图像的？
DDPM模型通过逐步添加噪声生成图像，利用神经网络预测并去除噪声，最终将预测的高斯分布转化为清晰图像。
DDPM的损失函数是如何定义的？
DDPM的损失函数使用均方误差（MSE）来衡量真实噪声与预测噪声的差异，优化目标是最小化模型生成真实图像的负对数似然。
DDPM模型的前向过程和逆向过程有什么区别？
前向过程是将清晰图像逐步添加噪声生成模糊图像，而逆向过程是从纯噪声逐步去噪生成清晰图像。
DDPM模型如何优化生成图像的质量？
模型通过训练优化损失函数，以提升生成图像的质量，最终通过积分计算生成特定清晰图像的总概率。
DDPM模型中使用的高斯分布有什么作用？
高斯分布用于描述噪声的添加和去除过程，模型依赖于高斯分布来进行去噪预测和生成图像。
如何通过DDPM模型进行图像去噪？
通过训练的神经网络，DDPM模型可以根据当前模糊图像和时间步预测去噪后的均值和方差，从而实现图像去噪。
➡️
