Diffusion Model
Diffusion Model（扩散模型）是一类受热力学启发的生成模型，通过逐步加噪破坏数据分布，再学习逆向去噪过程来生成数据。
核心思想
扩散模型定义了两个过程：
- 前向扩散过程（加噪）：逐步向数据添加高斯噪声，直到数据变为纯噪声
- 逆向去噪过程（去噪）：训练神经网络从纯噪声中逐步恢复出原始数据
关键特性
- 生成质量高，在图像生成领域达到甚至超越 GAN
- 训练稳定，不存在 GAN 的对抗训练不收敛问题
- 理论基础扎实，有清晰的数学推导
- 缺点是采样速度较慢（需要多步迭代）
代表模型
- DDPM（Denoising Diffusion Probabilistic Models）— 奠基之作
- DDIM（Denoising Diffusion Implicit Models）— 加速采样
- Stable Diffusion — 在潜在空间做扩散，大幅降低计算量