去噪扩散概率模型（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进行高质量的图像合成，这是一类受非平衡热力学考虑影响的潜变量模型。我们通过根据扩散概率模型和Langevin动力学的去噪评分匹配之间的新连接设计的加权变分下界进行训练，获得了最佳结果。我们的模型自然地适用于逐步有损解压缩方案，可以解释为自动回归解码的推广。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FID分数。在256x256的LSUN上，我们获得了类似ProgressiveGAN的样本质量。

推理

DDPM模型可以使用离散的噪声调度器，例如：

• scheduling_ddpm
• scheduling_ddim
• scheduling_pndm

用于推理。请注意，虽然ddpm调度器产生的质量最高，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。

请参考以下代码：

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

model_id = "google/ddpm-ema-cat-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