Denoising Diffusion Probabilistic Models —— DDPM扩散模型

引言：从噪声中“生长”出图像

想象一下，你有一张清晰的照片。现在，你开始往上面撒盐——一点点、一点点，直到照片完全被噪声淹没，变成一团毫无意义的雪花点。这个过程叫做前向扩散。

如果现在有人给你这团雪花点，要求你“逆向操作”，把原来的照片还原出来——这就是反向去噪。扩散模型（Diffusion Model）的核心思想，就是学会这个逆向过程：从一个纯噪声开始，一步步“去噪”，最终生成一张高质量的图像。

这个想法最初由Sohl-Dickstein等人在2015年提出，但直到2020年DDPM（Denoising Diffusion Probabilistic Models）的发布，扩散模型才真正展现出超越GAN的生成能力。如今，从Stable Diffusion到DALL-E，从Midjourney到Sora，几乎所有顶尖的图像和视频生成模型背后，都跳动着扩散模型的“心脏”。

本文将带你从零开始，深入扩散模型的数学原理、架构演进和工程实践。

一、DDPM的数学原理：从马尔可夫链到噪声预测

DDPM由两个互补的过程构成：

前向扩散过程（固定） ：逐步向数据添加高斯噪声，将图像转化为纯噪声
反向去噪过程（学习） ：训练神经网络学习逆向去噪，从噪声中生成数据

这两个过程构成了一个马尔可夫链——每一步的状态只依赖于前一步。

1.1 前向扩散过程：从图像到噪声

前向过程通过 $T$ 步逐渐向数据 $x_0$ 添加高斯噪声，最终得到纯噪声 $x_T$ 。每一步定义为：

$q(x_t \mid x_{t-1}) = \mathcal{N}\left(x_t; \sqrt{1-\beta_t} x_{t-1}, \beta_t \mathbf{I}\right)$

其中 $\beta_t$ 是噪声调度参数（noise schedule），通常是一个从 $10^{-4}$ 到 $0.02$ 的递增序列。

通过重参数化技巧（reparameterization trick），我们可以直接从 $x_0$ 计算任意时间步 $t$ 的 $x_t$ ：

$x_t = \sqrt{\bar{\alpha}_t} x_0 + \sqrt{1-\bar{\alpha}_t} \epsilon, \quad \epsilon \sim \mathcal{N}(0, \mathbf{I})$

其中 $\alpha_t = 1 - \beta_t$ ， $\bar{\alpha}_t = \prod_{i=1}^t \alpha_i$ 。

这个公式的重要性在于：训练时我们不需要逐步迭代加噪，可以直接从原始图像跳到任意时间步的噪声版本。

1
import torch
2
import torch.nn as nn
3
import torch.nn.functional as F
4

5
def forward_diffusion_sample(x0, t, alpha_bar, noise=None):
6
    """
7
    前向扩散：从x0直接计算xt
8

9
    Args:
10
        x0: 原始图像 [B, C, H, W]
11
        t: 时间步 [B]
12
        alpha_bar: 累积噪声调度 [T]
13
        noise: 可选，若不提供则随机采样
14

15
    Returns:
16
        xt: 加噪后的图像
17
        noise: 实际添加的噪声（用于训练）
18
    """
19
    if noise is None:
20
        noise = torch.randn_like(x0)
21

22
    # 获取每个样本对应时间步的 alpha_bar
23
    sqrt_alpha_bar = torch.sqrt(alpha_bar[t]).view(-1, 1, 1, 1)
24
    sqrt_one_minus_alpha_bar = torch.sqrt(1 - alpha_bar[t]).view(-1, 1, 1, 1)
25

26
    # 重参数化采样
27
    xt = sqrt_alpha_bar * x0 + sqrt_one_minus_alpha_bar * noise
28
    return xt, noise

1.2 反向去噪过程：从噪声到图像

反向过程的目标是学习从噪声 $x_T$ 逐步恢复数据 $x_0$ ：

$p_\theta(x_{t-1} \mid x_t) = \mathcal{N}\left(x_{t-1}; \mu_\theta(x_t, t), \Sigma_\theta(x_t, t)\right)$

DDPM的关键简化是：固定方差 $\Sigma_\theta$ 为常数，只学习均值 $\mu_\theta$ 。

通过进一步的数学推导，均值可以被重参数化为噪声预测的形式：

$\mu_\theta(x_t, t) = \frac{1}{\sqrt{\alpha_t}} \left(x_t - \frac{\beta_t}{\sqrt{1-\bar{\alpha}_t}} \epsilon_\theta(x_t, t)\right)$

这意味着：模型不需要直接预测图像，只需要预测被添加的噪声 $\epsilon$ 。

1.3 变分下界（ELBO）与训练目标的简化

DDPM的训练目标本质上是最大化数据的对数似然 $\log p_\theta(x_0)$ 。然而直接优化极其困难，因此退而求其次，优化其变分下界（ELBO, Evidence Lower Bound）。

ELBO被拆解为 $T$ 个时间步的累加，每一项都是两个高斯分布之间的KL散度：

$\mathcal{L}_{\text{VLB}} = \mathbb{E}_q \left[ \log \frac{q(x_T \mid x_0)}{p_\theta(x_T)} + \sum_{t=2}^T D_{\text{KL}}(q(x_{t-1} \mid x_t, x_0) \| p_\theta(x_{t-1} \mid x_t)) - \log p_\theta(x_0 \mid x_1) \right]$

经过复杂的变分推断和重参数化，这个看似复杂的损失函数最终被简化为一个极其简洁的形式：

$\mathcal{L}_{\text{simple}} = \mathbb{E}_{t, x_0, \epsilon} \left[ \| \epsilon - \epsilon_\theta(x_t, t) \|^2 \right]$

这就是DDPM训练的全部——让神经网络预测被添加的噪声，最小化预测噪声与真实噪声的均方误差（MSE）。

1
def ddpm_training_step(model, x0, t, alpha_bar, optimizer):
2
    """
3
    DDPM单步训练
4

5
    Args:
6
        model: 噪声预测网络（U-Net或DiT）
7
        x0: 原始图像 [B, C, H, W]
8
        t: 随机采样的时间步 [B]
9
        alpha_bar: 累积噪声调度
10
        optimizer: 优化器
11
    """
12
    # 1. 采样噪声
13
    noise = torch.randn_like(x0)
14

15
    # 2. 前向扩散：生成xt
16
    xt, _ = forward_diffusion_sample(x0, t, alpha_bar, noise)
17

18
    # 3. 模型预测噪声
19
    predicted_noise = model(xt, t)
20

21
    # 4. 计算MSE损失
22
    loss = F.mse_loss(predicted_noise, noise)
23

24
    # 5. 反向传播
25
    optimizer.zero_grad()
26
    loss.backward()
27
    optimizer.step()
28

29
    return loss.item()

1.4 DDPM采样算法

训练完成后，采样（生成）过程从纯噪声 $x_T \sim \mathcal{N}(0, \mathbf{I})$ 开始，逐步去噪：

$x_{t-1} = \frac{1}{\sqrt{\alpha_t}} \left(x_t - \frac{\beta_t}{\sqrt{1-\bar{\alpha}_t}} \epsilon_\theta(x_t, t) \right) + \sigma_t z$

其中 $z \sim \mathcal{N}(0, \mathbf{I})$ 是随机噪声， $\sigma_t$ 控制随机性。

1
@torch.no_grad()
2
def ddpm_sample(model, shape, alpha, alpha_bar, betas, T, device):
3
    """
4
    DDPM采样：从噪声生成图像
5

6
    Args:
7
        model: 训练好的噪声预测网络
8
        shape: 生成图像的形状 [B, C, H, W]
9
        T: 总步数
10
    """
11
    # 从纯噪声开始
12
    x = torch.randn(shape, device=device)
13

14
    # 逐步去噪
15
    for t in reversed(range(1, T)):
16
        t_tensor = torch.full((shape[0],), t, device=device, dtype=torch.long)
17

18
        # 预测噪声
19
        predicted_noise = model(x, t_tensor)
20

21
        # 计算去噪后的x_{t-1}
22
        alpha_t = alpha[t]
23
        alpha_bar_t = alpha_bar[t]
24
        beta_t = betas[t]
25

26
        x = (1 / torch.sqrt(alpha_t)) * (
27
            x - (beta_t / torch.sqrt(1 - alpha_bar_t)) * predicted_noise
28
        )
29

30
        # 添加随机噪声（最后一步除外）
31
        if t > 1:
32
            noise = torch.randn_like(x)
33
            x = x + torch.sqrt(beta_t) * noise
34

35
    return x

二、潜空间扩散（Latent Diffusion）：从像素到隐空间

DDPM虽然在理论上优雅，但在实践中有一个致命的问题：在像素空间操作太慢了。一张 $512 \times 512$ 的图像有约78万个像素，每一步去噪都要处理这么多数据，而DDPM通常需要1000步——计算量可想而知。

潜空间扩散模型（LDM, Latent Diffusion Model） 完美解决了这个问题。

2.1 核心思想：在压缩空间中扩散

LDM的核心思想非常简单：不直接在像素空间扩散，而是先通过一个自动编码器（VAE）将图像压缩到低维的“潜空间”（Latent Space），在这个压缩空间中进行扩散，最后再解码回像素空间。

工作流程如下：

编码阶段：图像 $\rightarrow$ VAE编码器 $\rightarrow$ 潜空间张量（如 $64 \times 64 \times 4$ ）
扩散阶段：在潜空间中添加噪声并逐步去噪
解码阶段：潜空间张量 $\rightarrow$ VAE解码器 $\rightarrow$ 重建图像

2.2 效率提升有多大？

潜空间的维度远小于像素空间。以一张 $512 \times 512$ 的图像为例：

空间	维度	相对大小
像素空间	$512 \times 512 \times 3 \approx 7.86 \times 10^5$	1×
潜空间	$64 \times 64 \times 4 \approx 1.6 \times 10^4$	约1/49

这意味着：计算量减少约40-70%，训练速度提升8-10倍。

这就是为什么 Stable Diffusion 等主流文生图模型都基于LDM架构——在保持生成质量的同时，大幅降低了计算门槛。

1
class LatentDiffusionModel(nn.Module):
2
    """
3
    简化的潜空间扩散模型
4
    """
5
    def __init__(self, vae_encoder, vae_decoder, diffusion_model):
6
        super().__init__()
7
        self.encoder = vae_encoder      # 图像 → 潜空间
8
        self.decoder = vae_decoder      # 潜空间 → 图像
9
        self.diffusion = diffusion_model # 在潜空间操作的扩散模型
10

11
    def encode(self, x):
12
        """将图像编码到潜空间"""
13
        with torch.no_grad():
14
            z = self.encoder(x)  # [B, 4, 64, 64]
15
        return z
16

17
    def decode(self, z):
18
        """将潜空间解码为图像"""
19
        with torch.no_grad():
20
            x = self.decoder(z)  # [B, 3, 512, 512]
21
        return x
22

23
    def forward(self, x, t):
24
        """在潜空间中进行扩散训练"""
25
        z = self.encode(x)
26
        # 在潜空间添加噪声并预测
27
        return self.diffusion(z, t)

2.3 像素空间扩散 vs 潜空间扩散

两种方案各有优劣：

维度	像素空间扩散	潜空间扩散（LDM）
操作空间	原始像素	压缩隐空间
计算复杂度	$O(N^2)$ （N为像素数）	$O(n^2)$ （n为隐空间维度，n << N）
信息完整性	保留全部信息	存在VAE压缩损失
典型代表	PixelDiffusion	Stable Diffusion

潜空间扩散虽然在细节保留上略逊于像素空间方案（例如文本渲染时可能出现字体边缘模糊），但其效率和可扩展性的优势使其成为当前的主流选择。

三、去噪网络的演进：从U-Net到DiT

DDPM中，噪声预测网络 $\epsilon_\theta$ 的核心架构经历了从U-Net到Diffusion Transformer（DiT） 的重大演进。

3.1 U-Net时代：卷积的归纳偏置

DDPM原论文采用U-Net作为噪声预测网络。U-Net是一种对称的编码器-解码器架构，通过跳跃连接（skip connections）将编码器的特征直接传递给解码器，保留了空间细节信息。

U-Net在图像生成任务中表现出色，得益于CNN的归纳偏置——局部感受野和权值共享让它在有限数据下也能高效学习。

3.2 DiT：Transformer接管扩散模型

2023年，DiT（Diffusion Transformer）的出现改变了这一格局。

DiT的核心创新是：用可扩展的Transformer架构替换U-Net主干，将视觉数据视为一系列patch（图像块） 。

具体来说，DiT的工作方式与ViT类似：

将输入（潜空间特征）切分为patch
通过线性投影将patch转换为token序列
在token序列上应用Transformer的自注意力机制
通过自适应层归一化（AdaLN）注入时间步和条件信息

DiT的优势在于：

全局感受野：自注意力机制让每个token都能直接关注所有其他token
可扩展性：参数规模可以从百万级扩展到数十亿级，性能随规模线性提升
统一架构：与LLM共享Transformer基础，便于多模态融合

3.3 从DiT到Sora：视频生成的革命

2024年2月，OpenAI发布Sora，提出了基于DiT的视频生成架构，彻底改写了视频模型的技术路线。

Sora在DiT基础上引入了时空块（Spacetime Patches），将视频数据解耦为空间-时间联合特征。这种设计使得模型能够：

统一处理全画面的时空信息
稳定输出长时序、高一致性的视频
算力投入与模型性能呈线性正向提升

如今，DiT已成为视频生成领域的事实标准架构。

1
class DiTBlock(nn.Module):
2
    """
3
    Diffusion Transformer基本模块
4
    包含自注意力 + 自适应层归一化（注入时间步条件）
5
    """
6
    def __init__(self, dim, num_heads):
7
        super().__init__()
8
        self.norm1 = nn.LayerNorm(dim)
9
        self.attn = nn.MultiheadAttention(dim, num_heads, batch_first=True)
10
        self.norm2 = nn.LayerNorm(dim)
11
        self.ffn = nn.Sequential(
12
            nn.Linear(dim, dim * 4),
13
            nn.GELU(),
14
            nn.Linear(dim * 4, dim)
15
        )
16
        # 自适应缩放和偏移（用于注入时间步信息）
17
        self.adaLN_modulation = nn.Sequential(
18
            nn.SiLU(),
19
            nn.Linear(dim, 6 * dim)  # 6 = 2 (scale) + 2 (shift) + 2 (gate)
20
        )
21

22
    def forward(self, x, t_embed):
23
        # t_embed: 时间步的嵌入
24
        # 计算自适应参数
25
        mod = self.adaLN_modulation(t_embed)  # [B, 6*dim]
26
        shift_msa, scale_msa, gate_msa, shift_mlp, scale_mlp, gate_mlp = \
27
            mod.chunk(6, dim=-1)
28

29
        # 自适应层归一化 + 自注意力
30
        x_norm = self.norm1(x) * (1 + scale_msa.unsqueeze(1)) + shift_msa.unsqueeze(1)
31
        x = x + gate_msa.unsqueeze(1) * self.attn(x_norm, x_norm, x_norm)[0]
32

33
        # 自适应层归一化 + FFN
34
        x_norm = self.norm2(x) * (1 + scale_mlp.unsqueeze(1)) + shift_mlp.unsqueeze(1)
35
        x = x + gate_mlp.unsqueeze(1) * self.ffn(x_norm)
36

37
        return x

四、Classifier-Free Guidance：文本条件控制

扩散模型可以无条件生成（从随机噪声生成随机图像），但实际应用中我们更想要条件生成——给定一段文字描述，生成对应的图像。

Classifier-Free Guidance（CFG，无分类器引导） 是目前最主流的条件控制方法。

4.1 为什么需要CFG？

早期的条件扩散模型使用分类器引导（Classifier Guidance）：训练一个独立的分类器来指导生成过程朝向特定类别。但这种方法有两个问题：

需要额外训练一个分类器
分类器可能被对抗样本攻击

CFG的解决方案是：在训练时，以一定概率（如10%）随机丢弃条件信息，让模型同时学会有条件和无条件生成。

4.2 CFG的数学原理

在推理时，CFG通过线性外推组合有条件和无条件预测：

$\tilde{\epsilon}_\theta(x_t, t, c) = \epsilon_\theta(x_t, t, \varnothing) + w \cdot (\epsilon_\theta(x_t, t, c) - \epsilon_\theta(x_t, t, \varnothing))$

其中：

$\epsilon_\theta(x_t, t, c)$ 是有条件的噪声预测（给定文本条件 $c$ ）
$\epsilon_\theta(x_t, t, \varnothing)$ 是无条件的噪声预测（条件被丢弃）
$w$ 是引导强度（guidance scale），通常取值在 $[1, 15]$ 之间

当 $w=1$ 时，就是标准的有条件生成；当 $w>1$ 时，模型会更加“用力”地遵循文本条件。

4.3 CFG的效果与权衡

CFG已成为现代文生图系统的事实标准，几乎所有大规模扩散模型都在使用。

然而，CFG也存在一个权衡（trade-off）：

较大的 $w$ ：生成图像与文本更匹配，但可能牺牲图像质量和多样性（颜色过饱和、 artifacts）
较小的 $w$ ：图像更自然多样，但可能偏离文本描述

实际应用中， $w=7.5$ 是一个常用的平衡点。

1
@torch.no_grad()
2
def sample_with_cfg(model, latents, prompt_embeddings, null_embeddings,
3
                    guidance_scale, timesteps):
4
    """
5
    使用Classifier-Free Guidance进行采样
6

7
    Args:
8
        model: 扩散模型
9
        latents: 初始噪声 [B, C, H, W]
10
        prompt_embeddings: 文本条件的嵌入
11
        null_embeddings: 无条件（空文本）的嵌入
12
        guidance_scale: 引导强度 w
13
        timesteps: 时间步序列
14
    """
15
    x = latents
16

17
    for t in timesteps:
18
        t_tensor = torch.full((x.shape[0],), t, device=x.device, dtype=torch.long)
19

20
        # 复制latents，分别用有条件和无条件处理
21
        x_combined = torch.cat([x, x], dim=0)
22
        t_combined = torch.cat([t_tensor, t_tensor], dim=0)
23
        c_combined = torch.cat([prompt_embeddings, null_embeddings], dim=0)
24

25
        # 模型预测噪声
26
        noise_pred = model(x_combined, t_combined, c_combined)
27

28
        # 分离有条件和无条件预测
29
        noise_pred_cond, noise_pred_uncond = noise_pred.chunk(2, dim=0)
30

31
        # CFG外推
32
        noise_pred = noise_pred_uncond + guidance_scale * (
33
            noise_pred_cond - noise_pred_uncond
34
        )
35

36
        # 去噪一步
37
        x = denoise_step(x, noise_pred, t)
38

39
    return x

五、DDIM：加速采样的确定性跳跃

DDPM的一个显著缺点是采样速度慢——需要完整走完 $T$ 步（通常1000步）才能生成一张图像。

DDIM（Denoising Diffusion Implicit Models）通过非马尔可夫的确定性采样策略，将采样步数从1000步减少到20-50步，同时保持生成质量。

5.1 DDIM的核心思想

DDPM的反向过程是一个随机过程——每一步都包含随机噪声 $z$ 。DDIM的关键洞察是：我们可以设计一个非马尔可夫的前向过程，使得反向过程变为确定性的。

在DDIM中，采样过程变为：

$x_{t-1} = \sqrt{\bar{\alpha}_{t-1}} \cdot \frac{x_t - \sqrt{1-\bar{\alpha}_t} \epsilon_\theta(x_t, t)}{\sqrt{\bar{\alpha}_t}} + \sqrt{1-\bar{\alpha}_{t-1} - \sigma_t^2} \cdot \epsilon_\theta(x_t, t)$

当 $\sigma_t = 0$ 时，采样过程完全确定性——给定相同的初始噪声，总是生成相同的图像。

5.2 DDIM的优势

加速采样：推理时间减少 10-20倍
确定性：相同种子和参数可完美复现结果
一致性插值：在潜空间中进行平滑插值

1
@torch.no_grad()
2
def ddim_sample(model, shape, alpha_bar, T, n_steps, device):
3
    """
4
    DDIM采样：用更少的步数生成图像
5

6
    Args:
7
        model: 噪声预测网络
8
        shape: 生成图像的形状
9
        alpha_bar: 累积噪声调度
10
        T: 原始总步数（如1000）
11
        n_steps: 实际采样步数（如50）
12
    """
13
    # 在[0, T]范围内均匀采样n_steps个时间点
14
    step_indices = torch.linspace(0, T-1, n_steps, dtype=torch.long, device=device)
15

16
    # 从纯噪声开始
17
    x = torch.randn(shape, device=device)
18

19
    for i in reversed(range(1, n_steps)):
20
        t = step_indices[i]
21
        t_prev = step_indices[i-1]
22

23
        # 获取对应的alpha_bar
24
        alpha_bar_t = alpha_bar[t]
25
        alpha_bar_t_prev = alpha_bar[t_prev]
26

27
        # 预测噪声
28
        t_tensor = torch.full((shape[0],), t, device=device, dtype=torch.long)
29
        eps_theta = model(x, t_tensor)
30

31
        # DDIM去噪公式（确定性，sigma=0）
32
        x0_pred = (x - torch.sqrt(1 - alpha_bar_t) * eps_theta) / torch.sqrt(alpha_bar_t)
33

34
        # 直接预测x_{t-1}
35
        x = torch.sqrt(alpha_bar_t_prev) * x0_pred + \
36
            torch.sqrt(1 - alpha_bar_t_prev) * eps_theta
37

38
    return x

六、总结：扩散模型的技术全景

从DDPM到Stable Diffusion，从U-Net到DiT，从DDPM采样到DDIM加速，扩散模型在短短几年内完成了惊人的技术演进：

维度	早期（DDPM）	当前（LDM + DiT + CFG + DDIM）
操作空间	像素空间	潜空间（压缩约50倍）
去噪网络	U-Net（CNN）	DiT（Transformer）
条件控制	无/分类器引导	Classifier-Free Guidance
采样步数	1000步	20-50步（DDIM）
典型应用	学术研究	Stable Diffusion, Sora, DALL-E

扩散模型的成功可以归结为几个关键的设计选择：

数学的简洁性：复杂的变分下界最终简化为噪声预测的MSE
潜空间的效率：LDM将计算量降低了一个数量级
Transformer的可扩展性：DiT让扩散模型享受到了与LLM相同的规模效应
CFG的控制力：让文本到图像生成变得精准可控
DDIM的实用性：让扩散模型从实验室走向了产品

正如DDPM论文所展示的：训练一个扩散模型，本质上就是一个回归问题——用神经网络预测被添加的噪声。这个看似简单的想法，却开启了一个生成式AI的新时代。从文本生成图像，到文本生成视频，扩散模型正在以前所未有的速度改变着我们创造内容的方式。

ZHY's Blog

Denoising Diffusion Probabilistic Models —— DDPM扩散模型

引言：从噪声中“生长”出图像

一、DDPM的数学原理：从马尔可夫链到噪声预测

1.1 前向扩散过程：从图像到噪声

1.2 反向去噪过程：从噪声到图像

1.3 变分下界（ELBO）与训练目标的简化

1.4 DDPM采样算法

二、潜空间扩散（Latent Diffusion）：从像素到隐空间

2.1 核心思想：在压缩空间中扩散

2.2 效率提升有多大？

2.3 像素空间扩散 vs 潜空间扩散

三、去噪网络的演进：从U-Net到DiT

3.1 U-Net时代：卷积的归纳偏置

3.2 DiT：Transformer接管扩散模型

3.3 从DiT到Sora：视频生成的革命

四、Classifier-Free Guidance：文本条件控制

4.1 为什么需要CFG？

4.2 CFG的数学原理

4.3 CFG的效果与权衡

五、DDIM：加速采样的确定性跳跃

5.1 DDIM的核心思想

5.2 DDIM的优势

六、总结：扩散模型的技术全景

学习路径

反馈与建议

ZHY's Blog

Denoising Diffusion Probabilistic Models —— DDPM扩散模型

引言：从噪声中“生长”出图像

一、DDPM的数学原理：从马尔可夫链到噪声预测

1.1 前向扩散过程：从图像到噪声

1.2 反向去噪过程：从噪声到图像

1.3 变分下界（ELBO）与训练目标的简化

1.4 DDPM采样算法

二、潜空间扩散（Latent Diffusion）：从像素到隐空间

2.1 核心思想：在压缩空间中扩散

2.2 效率提升有多大？

2.3 像素空间扩散 vs 潜空间扩散

三、去噪网络的演进：从U-Net到DiT

3.1 U-Net时代：卷积的归纳偏置

3.2 DiT：Transformer接管扩散模型

3.3 从DiT到Sora：视频生成的革命

四、Classifier-Free Guidance：文本条件控制

4.1 为什么需要CFG？

4.2 CFG的数学原理

4.3 CFG的效果与权衡

五、DDIM：加速采样的确定性跳跃

5.1 DDIM的核心思想

5.2 DDIM的优势

六、总结：扩散模型的技术全景

学习路径

反馈与建议

继续探索

Vision-Language-Action —— VLA具身智能

Video Audio Multimodal —— 视频理解 & 视频生成 & 音频处理

Multimodal RAG —— 多模态RAG