去噪扩散概率模型（DDPM）

论文： Denoising Diffusion Probabilistic Models

作者：Jonathan Ho, Ajay Jain, Pieter Abbeel

摘要：

我们使用扩散概率模型进行高质量图像合成，这一类潜变量模型受到了非平衡热力学的启发。通过根据扩散概率模型与带有朗之万动力学的去噪分数匹配之间的新颖联系设计加权变分界限进行训练，我们得到了最佳结果。我们的模型自然地采用一种渐进的有损解压缩方案，可以被解释为自回归解码的推广。在无条件的CIFAR10数据集上，我们获得了9.46的Inception分数和3.17的最先进的FID分数。在256x256的LSUN上，我们获得了与ProgressiveGAN相似的样本质量。

推理

DDPM模型可以使用离散的噪声调度器，例如：

• scheduling_ddpm
• scheduling_ddim
• scheduling_pndm

进行推理。请注意，虽然ddpm调度器提供了最高的质量，但它也需要最长的时间。为了在质量和推理速度之间取得良好的平衡，您可能希望考虑ddim或pndm调度器。

请参阅以下代码：

# !pip install diffusers
from diffusers import DDPMPipeline, DDIMPipeline, PNDMPipeline

model_id = "google/ddpm-ema-celebahq-256"

# load model and scheduler
ddpm = DDPMPipeline.from_pretrained(model_id)  # you can replace DDPMPipeline with DDIMPipeline or PNDMPipeline for faster inference

# run pipeline in inference (sample random noise and denoise)
image = ddpm().images[0]


# save image
image.save("ddpm_generated_image.png")

如需更详细的信息，请查看 official inference example 。

训练

如果您想训练自己的模型，请参阅 official training example 。

样本