1、摘要

‌Denoising Diffusion Probabilistic Models (DDPMs) 是一种基于参数化的马尔可夫链的模型，它使用变分推理进行训练，以在有限时间内生成与数据匹配的样本。‌ 这种模型通过逆扩散过程逐渐向样本中添加噪声，直到信号完全破坏，从而实现样本生成。在采样过程中，当扩散由少量的高斯噪声组成时，可以将采样链转换设置为条件高斯，从而能够实现特别简单的神经网络参数化。DDPMs 的训练效率很高，能够生成高质量的样本，有时甚至比其他类型的生成模型发布的结果要好。尽管与其他基于似然的模型相比，DDPMs 没有具有竞争力的对数似然性，但在基于能量的模型和得分匹配上，它们确实具有更好的对数似然性。

2、创新点

DDPM能够执行一种渐进的有损解压缩过程，这是一种泛化的自回归解码方法。这意味着在生成图像时，模型能够逐步改进图像质量，最终生成高质量的结果。这种特性使得DDPM在图像生成任务上具有非常高的性能‌。

3、主要公式

4、主要实现过程

这个是我理解的论文代码的主要实现过程，是通过Unet网络判断噪声，计算预测噪声和实际添加噪声的L1loss 和L2loss 来优化网络。