完整定義
去噪擴散機率模型(Denoising Diffusion Probabilistic Model, DDPM)是一種生成模型,它通過一個前向擴散過程逐步向資料中添加高斯噪聲,直到資料完全變成噪聲。然後,模型學習一個逆向的去噪過程,從純噪聲開始,逐步去除噪聲,最終生成新的資料樣本。DDPM 以其生成高品質圖像的能力而聞名。
白話說明
你看過 AI 先把雜訊擦掉,再慢慢長出圖片嗎?
你可以把 去噪擴散機率模型 想成先打亂、再重建的生成流程。
它其實就是先把資料一步步加噪,再學會把噪聲一步一步去掉。
去噪擴散機率模型(DDPM)是一種生成模型,通過逐步添加高斯噪聲破壞資料,然後學習逆向過程,從噪聲中重建資料,實現高品質的資料生成。這種逆向修復的思路,通常能換來更穩定的訓練和更細緻的生成品質。
記住這句
先加噪,再學會一步步逆轉回來
比喻:DDPM 就像一個藝術修復師 -- 先把一幅畫慢慢弄模糊、弄髒,然後學習怎麼一步步把這些「髒污」去除,讓畫恢復原貌,這樣它就學會了「畫」出全新的、高品質的圖。
容易混淆
vs GAN
GAN 像兩個畫家互相競爭,一個畫圖一個抓假圖;DDPM 則像一個修復師,先破壞再重建,過程更穩定,生成的圖片品質通常也更高。
實際案例
案例一:去噪擴散機率模型 生成插圖
你給它一個提示詞,它不是一次畫完,而是先產出亂圖,再一輪一輪把噪聲修掉,最後得到清晰圖片。
案例二:去噪擴散機率模型 做超解析或修復
模型會把模糊或低解析度的輸入逐步補細節,讓圖像越來越像真的,而不是只做一次性放大。
深入了解
擴散模型先把資料逐步加噪,再學反向去噪,兩個過程像鏡像
因為每一步都比對「少一點噪聲」,訓練通常比 GAN 穩
代價是採樣步數多,所以生成速度常常慢一些
情境判斷
Q1(直覺題): AI 要生成圖片時,是先從雜訊慢慢修回來比較穩,還是直接一次畫完比較穩?
先從雜訊慢慢修回來通常更穩,這就是擴散模型的核心思路。
Q2(判斷題): 如果生成速度很重要,擴散模型還一定是最佳選擇嗎?
看情況,因為它常比 GAN 穩,但採樣步數多、速度慢,若場景很吃即時性,就要考慮加速技巧或其他架構。
常見問題
DDPM 的優點包括訓練穩定、生成品質高、不容易出現模式崩潰等問題。缺點包括生成速度慢、計算成本高。相較於 GAN,DDPM 在訓練穩定性上更具優勢,但在生成速度上則較慢。
加速 DDPM 生成速度的方法包括:減少去噪步數(但可能降低生成品質)、使用更高效的採樣方法(例如 DPM-Solver)、使用模型蒸餾等技術。這些方法旨在在生成品質和速度之間取得平衡。
DDPM 和 VAE 都是生成模型,但它們的原理不同。VAE 通過學習資料的潛在表示來生成資料,而 DDPM 通過學習逆向去噪過程來生成資料。VAE 的生成速度通常比 DDPM 快,但 DDPM 的生成品質通常比 VAE 高。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本