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 x_t xt有关系：实际上不止优化了第t步，前边所有得到 x t x_t xt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<t 的子集中的时间步进行优化；
• 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 x_0 x0)，然后和 x t x_t xt一起得到 x t − 1 x_{t-1} xt−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。