扩散模型这个创新点“杀疯了”！

今年各大顶会，扩散模型论文数量激增，大部分仍基于DDPM架构，即通过前向加噪和反向降噪，实现高质量内容生成，但也有一些局限性，比如速度慢、效率低，为了加速其采样过程， DDIM基于DDPM进行了重大改进，去除马尔可夫链后，生成速度提升将近百倍！ 对此，爆火的Stable Diffusion，也各取所长，训练用DDPM，采样用DDIM， 并成为众多扩散模型首选策略！

为了帮助大家掌握扩散模型必备算法，研梦非凡于 8月15日晚（周四）， 邀请了 大模型资深算法工程师魏导师， 独家详解顶会论文 《Denoising Diffusion Implicit Models（DDIM）》 （AI前沿直播课NO.61）， 从深度生成模型回顾，到DDPM（NIPS'20）的优缺点，再 重点讲解DDIM（ICLR'21）的算法研究、实验分析， 1节课吃透 DDIM架构原理 ，get论文改进和求职知识点！

👇🏻 扫描二维码找助教 0元 预约 直播课！

凡预约即可免费领取 100篇扩散模型论文（43篇CVPR'24 最新收录 ） +文末还有算力等科研福利！

unset unset 直播课内容概览 unset unset

01 论文引言

1. 深度生成模型：传统和迭代
2. DDPM与GAN的效率差距
3. DDIM由此诞生

02 研究背景

1. DPM（扩散模型）

• 三种生成模型：GAN、VAE和基于流的模型
• 扩散模型：原理和特点
• 以上模型的架构对比

2. DDPM（去噪扩散概率模型）

• 基于马尔可夫扩散过程的模型
• 优缺点：生成质量高，但耗费时间长

03 DDIM—相关工作

1. DDPM和NCSNs密切相关
2. DDIM是一种隐式生成模型

• 具有某些类似GANs和可逆流的属性
• 具有连续深度的神经网络

04 DDIM—算法研究（重点）

1. 非马尔可夫前向过程的变分推理
2. 非马尔可夫正向过程
3. 生成过程与统一变分推理目标
4. 从广义生成过程中抽样
5. 去噪扩散隐式模型
6. 加速生成过程
7. 与关联神经网络的常微分方程

05 DDIM—实验分析（重点）

1. 实验总览

• DDIM在图像生成方面优于DDPM，速度提高了10-100倍
• DDIM会保留高级图像特征，可直接从潜空间执行插值
• DDIM还可用于编码从潜代码中重建它们的样本

2. 样本质量和效率
3. 样本的一致性
4. 确定性生成过程中的插值
5. 潜在空间重构

06 总结讨论

导师介绍

魏导师

大模型资深算法工程师，从事新能源汽车智能座舱语音对话高级算法研发工作，也担任过芯片公司模型训练推理框架和高性能计算工程师。

直播福利

参加本次直播的同学都将获得 1小时导师meeting的福利（助教+导师） ！ 原价2999， 限时福利价 9.9元！ 活动时间为 8月15日到8月31日。

ps：研梦非凡开设的前沿论文系列直播，旨在帮助大家提升读论文技能，快速抓住重点，掌握有效方法，进而找到创新点，轻松完成论文报告。

👇🏻 扫描二维码找助教 0元 预约 直播课！

凡预约即可免费领取 100篇扩散模型论文（43篇CVPR'24 最新收录 ） +文末还有算力等科研福利！

unset unset 研梦非凡科研论文指导 unset unset

研梦非凡可指导的研究方向

主流方向科研论文常用方法

研梦非凡现有idea

👇🏻 扫码找助教了解更多/验证自己的idea是否可行

unset unset 研梦非凡科研论文指导方案 unset unset

👇🏻 扫描二维码 咨询助教两种指导方案