扩散模型：DDIM

最新推荐文章于 2025-11-24 18:29:32 发布
原创 最新推荐文章于 2025-11-24 18:29:32 发布 · 480 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

本文深入探讨了DenoisingDiffusionImplicitModels(DDIM)，一种在生成模型领域崭露头角的技术，它利用去噪扩散过程实现高效且高质量的内容生成。DDIM在深度学习中展示了强大的潜在应用和优势。
SmartDemo
关注
扩散模型：训练
u013250861的博客
06-05 276
下面把和拆成两大阶段 → 再细分若干小步。只要按次序走，就能从一批干净数据得到一台可以生成图片（或别的模态）的扩散模型。
带你手撸扩散模型:DDPM原理及PyTorch代码实现
AI大模型应用之禅
05-22 5347
近年来，深度学习技术在图像生成领域取得了显著的进展，其中以扩散模型（Diffusion Models）最为突出。扩散模型的核心思想是通过逐步添加高斯噪声，将真实图像转换为噪声图像，然后学习逆转这个过程，从噪声中恢复出原始图像。这种方法在图像生成、图像修复、图像超分辨率等任务中都展现出了强大的能力。DDPM（Denoising Diffusion Probabilistic Models）是一种经典的扩散模型，其核心思想是通过学习一个噪声预测器来实现逆向扩散过程。
【扩散模型】DDIM从原理到实战
热门推荐
小哲的博客
11-27 1万+
DDIM论文提出了一种使过程非马尔可夫的方法（如右图所示），允许跳过去噪过程中的步骤，而不需要在当前状态之前访问所有过去的状态。DDIM最好的部分是，它们可以在训练模型后应用，因此DDPM模型可以很容易地转换为DDIM，而无需重新训练新模型。
DDIM去噪扩散隐式模型
m0_63855028的博客
03-16 1731
DDIM通过非马尔可夫假设和确定性生成，在保持生成质量的同时大幅提升效率，并扩展了图像反演等应用场景。其核心贡献在于重新定义了扩散模型的生成路径，为后续研究（如Stable Diffusion等）奠定了基础t=P1C7DDPM算法https://zhuanlan.zhihu.com/p/666552214。
生成扩散模型漫谈：DDIM = 高观点DDPM
Paper weekly
08-04 6321
©PaperWeekly 原创 ·作者 | 苏剑林单位 | 追一科技研究方向 | NLP、神经网络相信很多读者都听说过甚至读过克莱因的《高观点下的初等数学》[1]这套书，顾名思义，这是在学到了更深入、更完备的数学知识后，从更高的视角重新审视过往学过的初等数学，以得到更全面的认知，甚至达到温故而知新的效果。类似的书籍还有很多，比如《重温微积分》[2]、《复分析：可视化方...
【笔记】扩散模型（二）：DDIM 理论推导与代码实现
LittleNyima的博客
06-13 4004
从零开始实现 DDIM 采样和语义插值过程
扩散模型探索：DDIM 笔记与思考
m0_63642362的博客
01-07 7225
DENOISING DIFFUSION IMPLICIT MODELS 整理论文公式推导，根据 PaddleNLP/ppdiffusers 进行模型的探索，收获更深刻的 DDIM。
DDIM扩散模型的加速采样(去噪)算法 Denoising Diffusion Implicit Models
xiaoxu的博客
10-29 1447
DDIM:发表于2021年ICLR,作者来自斯坦福大学。在使用DDPM进行目标检测的时候就结合使用了DDIM。
【扩散模型】4、DDIM | 加速 DDPM 的采样速度
呆呆的猫的博客
09-06 7011
本文主要介绍 DDIM
MindSpore实现扩散模型系列——DDIM
Kenji_Shinji的博客
08-15 778
DDIM 是基于 DDPM 改进的迭代隐式概率扩撒模型，核心目标是在保持生成质量的同时加速采样过程。通过引入非马尔可夫扩散过程和确定性采样机制，DDIM 允许在去噪时跳过部分时间步，可以显著减少计算量。可调方差参数：通过控制反向过程的随机性，实现从完全随机（DDPM）到完全确定（无噪声）的采样模式；跳跃式采样：无需遍历所有时间步，可直接在预设的关键时间点之间跳转，大幅提升生成速度。非马尔可夫过程：打破 DDPM 的严格马尔可夫链限制，允许当前状态依赖任意历史状态；
大白话 | 快速理解扩散模型【DDIM】Denoising Diffusion Implicit Model
weixin_43117620的博客
04-10 1969
用大白话讲解扩散模型DDIM，帮助读者快速理解DDIM的【原理】和【特点】。
采样算法二：去噪扩散隐式模型（DDIM）采样算法详解教程
m0_59156726的博客
02-27 1721
DDIM将反向过程定义为非马尔可夫链，允许从任意时间步( t )直接推断( x_{t-Δ} )（Δ为跳跃步长）。DDPM虽然生成效果优异，但其采样需迭代数百至数千次，效率较低。是对DDPM的改进，旨在。，例如均匀间隔或余弦调度。
【扩散模型】DDPM，DDIM
x66ccff
01-16 8101
这个想法是通过一个称为扩散的过程将一个简单的分布(通常是高斯噪声)转换成一个复杂的数据分布(如图像或音频)，然后反向生成新的样本。ddim是ddpm的非马尔可夫变体，允许更快的采样，并可以提供确定性输出。关键思想是，它们改变了逆向过程的计算方式，在不牺牲质量的情况下，允许更少的步骤生成样本。ddim可以被认为是一种更有效地遍历扩散过程的方法，通常会导致更快的推理时间，因为它们可以采取更大的步骤而不会引入太多错误。DDPM和DDIM反向过程之间的关键区别在于DDIM的确定性设置，其中。
基于学习的人工智能（1）为什么学习？
致力于大数据+AI 的应用创新。
11-24 211
学习是人类最重要的认知活动之一，贯穿我们的一生。出生后，我们无时无刻不在学习：从父母那里学说话，自己尝试走路，从小伙伴那里学会折纸飞机，从老师那里学到语文、数学等各种知识。研究人员始终将光源和风扇放在同一侧，经由学习，玉米幼苗逐渐学会了“有风的地方就会有光”的规律。之后，研究人员移去光源，并改变风扇方向，玉米幼苗依然按照所学知识，向风扇方向生长。1959 年，美国计算机学家亚瑟·塞缪尔设计了一款可以自我学习的跳棋程序，并将这一新方法称为“机器学习”，从而开启了机器自我学习的道路。
中国计算机学会（CCF）推荐学术会议-A（人工智能）：ACL 2026
iaast的博客
11-24 325
大会官网：https://2026.aclweb.org/录用率：20.3%（1699/8360，2025年）时间地点：2026年7月2日-加州·美国。截稿时间：2026年1月5日。CCF推荐：A（人工智能）
2025企业微信AI落地新趋势：微盛AI·企微管家破解内外增长难题
最新发布
weisheng00的博客
11-24 511
2025年企业微信AI落地的三大关键趋势：微盛AI·企微管家通过智能客服、精准营销和内部协作三大场景，帮助企业实现200%的客服效率提升、90%的报修响应提速和50%的员工效能增长。作为企业微信生态最大ISV服务商，微盛依托"AI+SCRM"双引擎，已服务160家500强企业，提供合规AI聊天Agent、生态闭环整合及私有化部署方案，有效解决数据孤岛问题，90%客户在3个月内实现AI能力全员覆盖。
RAG 的诞生：为了让 AI 不再“乱编”
weixin_44876263的博客
11-24 166
RAG全称，中文为“检索增强生成”。其核心思想是：在生成答案时，不仅依赖大模型内部的训练知识，还能够实时访问外部知识库或文档，从而生成更加准确和可靠的内容。就像一个学生回答问题，不仅依靠自己记忆，还会去图书馆查资料，然后结合记忆和查到的资料回答问题。你问模型：“请告诉我最新的新能源补贴政策。纯模型可能只靠训练记忆，回答的是过时或模糊的信息。RAG 模型会先去查最新政策文件，再结合训练知识生成答案，因此更准确。检索资料：先找到相关文档或信息。结合生成：把找到的资料和问题一起输入模型，让模型生成答案。
基于华为开发者空间实现花卉识别
优快云高校俱乐部官方博客
11-21 1704
基于华为开发者空间实现花卉识别
人工智能在医疗行业的革命性应用：从诊断到个性化治疗
2501_94114442的博客
11-21 480
人工智能（AI）技术近年来已经渗透到各个行业，其中，医疗行业无疑是受益最大之一。从疾病的早期诊断到个性化治疗方案的制定，AI正在加速医学领域的变革。通过机器学习、深度学习、自然语言处理等技术，AI不仅能够处理和分析大量的医疗数据，还能够帮助医生做出更加精准的决策，提升患者的治疗效果，并优化整个医疗体系的运作效率。本文将探讨人工智能在医疗行业的应用，分析其在不同医疗领域的具体作用，并展望AI如何进一步推动医疗健康行业的发展。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值