A行业级
DDPM 让扩散模型成为实用生成路线
从噪声逐步还原图像，训练更稳定
已核验1可追溯来源
Ho、Jain 与 Abbeel 提出 Denoising Diffusion Probabilistic Models，用逐步加噪和反向去噪生成高质量图像。
发生了什么
前向过程逐步把数据变成高斯噪声，神经网络学习预测每一步加入的噪声，采样时从随机噪声反向迭代得到图像。
当时的行业背景
GAN 能生成锐利图像，但训练容易不稳定并出现模式崩塌。早期扩散模型有清晰概率解释，却在样本质量和计算效率上不够实用。
为什么重要
扩散模型随后在图像质量、条件控制和文本引导上迅速超过 GAN，成为 DALL·E 2、Imagen、Stable Diffusion 和视频生成模型的共同基础。
在它之前
高质量图像生成主要由 GAN 路线主导。
在它之后
扩散模型成为图像和视频生成的主流基础架构。
影响
它改变了什么
对开发者
生成图像获得更稳定的训练目标和更灵活的条件控制。
对产品
文生图从研究演示发展成普通用户可以反复控制和编辑的产品能力。
来源