LLLMWIKI
正文元数据首页

来源笔记 · 更新于 2026-07-14

Denoising Diffusion Probabilistic Models现代去噪扩散模型的关键基线

#near-cvpr-2025#image-generation#diffusion#primary-source

一句话结论

DDPM 用固定的逐步高斯加噪过程、学习到的反向去噪链和噪声预测目标，证明扩散概率模型可以稳定地产生当时具有竞争力的高质量图像，并成为现代图像扩散系统的关键基线。

问题定义

如何把容易执行的“数据变噪声”过程反过来，学习从高斯噪声逐步生成图像，同时保持训练稳定、目标可计算？

方法概述

  • 前向链以固定方差日程逐步加入高斯噪声。
  • 反向链由时间条件 U-Net 参数化，网络预测加入的噪声。
  • 简化均方误差目标可视为重新加权的变分目标，并与去噪分数匹配相连。
  • 原始实验使用 1000 个时间步，采样也需要约 1000 次顺序网络求值。

关键发现

  • CIFAR-10 无条件生成报告 Inception Score 9.46±0.11、训练集参照 FID 3.17；测试集参照 FID 为 5.24。
  • 简化噪声预测目标的样本质量优于直接优化完整变分下界，但完整变分目标的码长更好。
  • 固定反向方差比学习对角方差更稳定；“预测什么”与“怎样加权时间步”会显著影响质量。

局限或疑问

  • 1000 步顺序采样很慢，不能把训练目标简洁误解为生成成本低。
  • 主结果没有文本条件、潜空间压缩和现代大规模训练。
  • 样本质量、似然与速度不是一个指标，跨论文 FID 还必须核对参照集与协议。

原始链接

相关页面

备注

DDPM 不是扩散思想的最早论文；它是现代高质量图像扩散路线的关键可工作基线。更早的扩散概率建模历史应与 2015 年非平衡热力学工作区分表述。

元数据
{
  "id": "2026-07-14-ddpm",
  "type": "source",
  "title": "Denoising Diffusion Probabilistic Models：现代去噪扩散模型的关键基线",
  "status": "reviewed",
  "created": "2026-07-14",
  "updated": "2026-07-14",
  "venue": "NeurIPS 2020",
  "ingested_at": "2026-07-14",
  "tags": [
    "near-cvpr-2025",
    "image-generation",
    "diffusion",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Jonathan Ho",
    "Ajay Jain",
    "Pieter Abbeel"
  ],
  "published_at": "2020-12-01",
  "canonical_links": [
    "https://papers.nips.cc/paper_files/paper/2020/hash/4c5bcfec8584af0d967f1ab10179ca4b-Abstract.html",
    "https://papers.nips.cc/paper/2020/file/4c5bcfec8584af0d967f1ab10179ca4b-Paper.pdf",
    "https://arxiv.org/abs/2006.11239",
    "https://github.com/hojonathanho/diffusion"
  ],
  "raw_entry": "raw/ingest/2026-07-14-ddpm/",
  "analysis_note": "raw/ingest/2026-07-14-ddpm/analysis.md",
  "topics": [
    "topics/diffusion-models",
    "topics/image-generation"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}