weixin_45897172的博客

目前的扩散模型范式基本上都变成做Latent Diffusion，包括像DIT（diffusion Transformer），实际上也是基于Latent Diffusion的思想，它只是把里面的UNet换成了Transformer。传统的扩散模型一般是输入一张图像xxx，然后对它进行增噪，再通过去噪采样得到一个新的图像x\hat xx。但这个过程的计算都是在Pixel Space上面进行的，采样空间太大，学习的噪声维度和图像的维度是相同的。

Classifier Guidance论文链接：Diffusion Models Beat GANs on Image SynthesisClassifier-free Guidance论文链接：Classifier-Free Diffusion Guidance原理讲解：一个视频看懂什么是classifier guidance/classifier-free guidance扩散模型在提出之后是有两大优势的，第一是它生成效果比较好，保真度比较高；其次一点是它生成的这个图片的多样性要明显好于其他一些模型

上一篇博文我们详细讲解了扩散模型的基石DDPM ，并且给出了代码讲解，有不了解的小伙伴可以跳转到前面先学习一下（今天我们再来介绍下DDPM的改进版本。DDPM虽然对生成任务带来了新得启发，但是他有一个致命的缺点，就是推理速度比较慢，这就导致实际工业应用中很难落地。

代码实现了使用DDPM训练和采样mnist 数字数据集。

首先，假如我们有一个骰子，不断的重复仍这个骰子，并将得到的点数记录再直方图上，每仍一次骰子的过程称为一次采样，直方图记录各点数出现的概率。随着采样次数的增多，直方图顶点的连线成一条直线，所以这是一种等可能的概率接着我们增加一颗骰子，重复这个实验，用直方图记录每次采样得到的所有骰子点数之和，采样了几万次之后，直方图顶点的连线变成了一条折线，其中7点出现的次数最多，然后向两边递减接下来用3颗骰子重复这个实验，再采样了数万次后最终得到的是这样一条折线段。