目录

去噪扩散隐式模型 (DDIM)

DDIM 的核心原理

DDIM 的优势

DDIM 的实现步骤

应用场景

代码示例（PyTorch）

参数选择建议

DDIM是基于DDPM 的创新，旨在解决DDPM数百步或数千步迭代计算带来的巨大计算量，主要创新点就在采样过程。了解去噪概率模型(DDPM）通过这个链接。

去噪扩散隐式模型 (DDIM)

去噪扩散隐式模型（Denoising Diffusion Implicit Models, DDIM）是扩散模型的一种改进形式，通过非马尔可夫链的生成过程加速采样，同时保持生成质量。其核心思想是重新参数化扩散过程，允许更灵活的采样步长调整。

DDIM 的核心原理

DDIM 修改了传统扩散模型（如 DDPM）的马尔可夫链假设，通过隐式定义反向过程，减少采样所需的步骤。其关键公式如下：

前向过程
与传统扩散模型类似，前向过程逐步添加噪声，但 DDIM 允许跳过某些步骤：

反向过程
DDIM 的反向过程通过确定性映射实现，而非随机采样：

DDIM 的优势

1. 加速采样
   通过调整步长策略，DDIM 可将采样步骤从数百步减少到几十步，显著提升效率。

2. 确定性生成
   反向过程变为确定性，允许通过固定随机种子精确复现结果。这种确定性意味着从相同的初始噪声开始，采样过程始终生成相同的初始图像。这种性质对于需要可复现性的具有重要的价值。

3. 兼容性
   可直接加载预训练的 DDPM 模型权重，无需重新训练。

DDIM 的实现步骤

训练阶段
与传统扩散模型一致，训练噪声预测模型 ：

采样阶段
使用 DDIM 的确定性采样算法：

1. 从高斯噪声 开始。
2. 按时间步   迭代计算： ，其中 。

应用场景

1. 图像生成
   高质量图像合成，支持快速迭代。
2. 图像修复
   结合掩码技术填充缺失区域。
3. 超分辨率
   与条件扩散模型结合提升分辨率。

代码示例（PyTorch）

def ddim_sample(model, x_T, alphas, alphas_prev, steps):
    x = x_T
    for t in reversed(range(steps)):
        eps = model(x, t)
        x0_pred = (x - (1-alphas[t])**0.5 * eps) / alphas[t]**0.5
        x = alphas_prev[t]**0.5 * x0_pred + (1-alphas_prev[t])**0.5 * eps
    return x

参数选择建议

1. 步长策略
   线性或余弦调度器均可，后者通常效果更平滑。
2. 采样步数
   20-50 步即可达到较好效果，具体需权衡速度与质量。
3. 噪声预测模型
   U-Net 结构是常见选择，注意与 DDPM 的兼容性。

DDIM 通过理论创新解决了扩散模型采样慢的痛点，为实际应用提供了高效解决方案。后续研究如 Progressive Distillation 进一步优化了其性能。

本文来源于网络学习后，通过个人总结等完成，感谢各位前辈的总结，如有不妥或有误的地方，欢迎大家来讨论，批评指正！