去噪扩散隐式模型

Denoising Diffusion Implicit ModelDDIM进阶

沿用 DDPM 的训练方式、把采样改成可跳步的确定性过程的扩散加速方法。

去噪扩散隐式模型由斯坦福的 Jiaming Song、Chenlin Meng、Stefano Ermon 于 2020 年提出，发表于 ICLR 2021。DDPM（去噪扩散概率模型）生成一个样本要沿马尔可夫链走几百上千步去噪，很慢。DDIM 构造了一类非马尔可夫的扩散过程，训练目标和 DDPM 相同，所以训好的 DDPM 不用重训就能换成 DDIM 采样：可以跳步，只走十几到几十步，论文报告墙钟时间快 10–50 倍；把随机项设为零时采样是确定性的，同一个初始噪声总得到同一结果。它是后来各类快速扩散采样器的起点，扩散策略在真机上做实时控制也常靠它减少步数。