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图像合成，这是一类受非平衡热力学考虑启发的潜变量模型。我们通过根据扩散概率模型和Langevin动力学的去噪分数匹配之间的新颖联系设计的加权变分界限进行训练，获得了最佳结果，而且我们的模型自然地接受一种渐进有损解压缩方案，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上，我们获得了与ProgressiveGAN相似的样本质量。

推断

DDPM模型可以使用离散的噪声调度器，例如：

• scheduling_ddpm
• scheduling_ddim
• scheduling_pndm

进行推断。请注意，虽然ddpm调度器具有最高质量，但它也需要最长时间。为了在质量和推断速度之间取得良好的平衡，您可能希望考虑使用ddim或pndm调度器。

请参阅以下代码：

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

model_id = "google/ddpm-ema-church-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