DDPM和DDIM

b站讲解

Diffusion Probabilistic Models (DDPM)和Diffusion Implicit Models (DDIM)。

• DDIM是对DDPM的加速工作

• 通过对DDPM的损失函数观察，做出改进

• 损失函数只和$x_t$有关系：实际上不止优化了第t步，前边所有得到$x_t$的过程，包括加入的噪声，都被隐式的优化了；优化非马尔可夫过程的模型(非链式传导）

• 拿到预训练的DDPM之后可以选择其中一部分的时间节点进行反向过程，中间的（t-1）步实际上都被优化好了；因此训练的时候可以选 • DDIM模型自己定义了一个前向过程，推理过程中不是DDPM 的noise predict（预测t时刻的噪声），而是data predict（直接预测$x_0$)，然后和$x_t$一起得到$x_{t-1}$
  采样过程的区别：

• DDIM不是马尔可夫链，把所有时间步方差=0，高斯噪声的随机性被移除了，变成了确定性的结果，

• DDPM是马尔可夫链，方差每次是随机的，
  DDIM在连续时间维度，可以看成一个常微分方程。类比song yang博士提出了基于随机微分方程的加噪、去噪框架。反向的随机微分方程有一个对应的常微分方程，它们之间共享同一个边缘分布，因此可以通过解ODE方程来解决问题，而DDIM对应于这个过程。