去噪扩散隐式模型
机器学习
2022-10-07 v4 计算机视觉与模式识别
摘要
去噪扩散概率模型（DDPMs）无需对抗训练即可实现高质量图像生成，然而它们需要模拟马尔可夫链许多步才能产生一个样本。为加速采样，我们提出去噪扩散隐式模型（DDIMs），一类更高效的迭代式隐式概率模型，其训练过程与 DDPMs 相同。在 DDPMs 中，生成过程被定义为马尔可夫扩散过程的反向。我们构造了一类非马尔可夫扩散过程，其导致相同的训练目标，但其反向过程采样可快得多。我们通过实验证明，DDIMs 相比 DDPMs 在挂钟时间上可快 到 地产生高质量样本，允许我们在计算量与样本质量之间权衡，并能在隐空间直接进行语义上有意义的图像插值。
引用
@article{arxiv.2010.02502,
title = {Denoising Diffusion Implicit Models},
author = {Jiaming Song and Chenlin Meng and Stefano Ermon},
journal= {arXiv preprint arXiv:2010.02502},
year = {2022}
}
备注
ICLR 2021; updated connections with ODEs at page 6, fixed some typos in the proof