Denoising Diffusion Probabilistic Models (2020 论文)

概述

提出 DDPM 的论文，开创了扩散模型生成图像的新范式，在生成质量上媲美 GAN。

关键内容

1. 前向加噪与反向去噪：通过逐步添加高斯噪声将数据破坏，然后训练神经网络学习反向去噪过程。
2. 训练稳定性：相比 GAN 的对抗训练，扩散模型训练更稳定，不易出现 模式崩塌。
3. 后续影响：DDPM 直接催生了 Stable Diffusion、DALL-E 2 等应用，成为图像生成的主流路线。

来源

• ai_papers_timeline.md — 2020 年时间线条目

相关

• Jonathan Ho — authored_by
• DDPM — introduced
• 扩散模型 — introduced
• GAN — compares_to
• Stable Diffusion — influenced