Denoising Diffusion Probabilistic Models (DDPM)

论文： Denoising Diffusion Probabilistic Models

作者：Jonathan Ho, Ajay Jain, Pieter Abbeel

摘要：

我们使用扩散概率模型在图像合成方面取得了高质量的结果，这是一类受非平衡热力学考虑启发的潜变量模型。我们通过训练基于加权变分界的模型取得了最佳结果，该界设计考虑了扩散概率模型与Langevin动力学噪声打分匹配之间的新颖联系，而且我们的模型自然地采用了一个渐进的有损解压缩方案，可以解释为自回归解码的泛化。在无条件的CIFAR10数据集上，我们获得了9.46的Inception分数和3.17的最先进的FID分数。在256x256的LSUN数据集上，我们获得了与ProgressiveGAN相似的样本质量。

推理

DDPM模型可以使用以下离散噪声调度器：

• scheduling_ddpm
• scheduling_ddim
• scheduling_pndm

进行推理。请注意，虽然ddpm调度器提供了最高的质量，但它也需要最长的时间。为了在质量和推理速度之间取得良好的平衡，您可能需要考虑使用ddim或pndm调度器。

请查看以下代码：

# !pip install diffusers
from diffusers import DDPMPipeline, DDIMPipeline, PNDMPipeline

model_id = "google/ddpm-bedroom-256"

# load model and scheduler
ddpm = DDPMPipeline.from_pretrained(model_id)  # you can replace DDPMPipeline with DDIMPipeline or PNDMPipeline for faster inference

# run pipeline in inference (sample random noise and denoise)
image = ddpm().images[0]


# save image
image.save("ddpm_generated_image.png")

有关更详细的信息，请查看 official inference example

训练

如果您想训练自己的模型，请查看 official training example

样本