An In-Depth Guide to Denoising Diffusion Probabilistic Models DDPM – Theory to Implementation
中文翻译：DDPM扩散概率模型去噪深度指南——理论到实现

https://learnopencv.com/denoising-diffusion-probabilistic-models/#forward-diffusion-equation

https://github.com/spmallick/learnopencv/tree/master/Guide-to-training-DDPMs-from-Scratch

扩散概率模型是一个令人兴奋的新研究领域，在图像生成方面显示出巨大的前景。回想起来，基于扩散的生成模型于2015年首次引入，并于2020年推广，当时Ho等人发表了论文“去噪扩散概率模型”（DDPM）。DDPM负责使扩散模型实用。在本文中，我们将重点介绍DDPM背后的关键概念和技术，并在“花”数据集上从头开始训练DDPM，以实现无条件图像生成。

无条件图像生成

在DDPM中，作者改变了公式和模型训练程序，这有助于提高和实现与GAN相媲美的“图像保真度”，并确立了这些新生成算法的有效性。

完全理解“去噪扩散概率模型”的最佳方法是复习理论（+一些数学）和底层代码。考虑到这一点，让我们探索学习路径，其中：

• 我们将首先解释什么是生成模型以及为什么需要它们。
• 我们将从理论的角度讨论基于扩散的生成模型中使用的方法
• 我们将探索理解去噪扩散概率模型所需的所有数学。
• 最后，我们将讨论DDPM中用于图像生成的训练和推理，并在PyTorch中从头开始进行编码。

1. 生成模型的必要性

基于图像的生成模型的工作是生成相似的新图像，换句话说，是我们原始图像集的“代表”。

我们需要创建和训练生成模型，因为可以用（256x256x3）图像表示的所有可能图像的集合是巨大的。图像必须具有正确的像素值组合来表示有意义的东西（我们可以理解的东西）。

An RGB image of a Sunflower

例如，为了使上面的图像代表“向日葵”，图像中的像素需要处于正确的配置中（它们需要具有正确的值）。而这些图像存在的空间只是（256x256x3）图像空间所表示的整个图像集的一小部分。

现在，如果我们知道如何从这个子空间中获取/采样一个点，我们就不需要构建“生成模型”。然而，在这个时间点，我们不需要。