许可协议：apache-2.0
标签：

• pytorch
• diffusers
• 无条件图像生成

去噪扩散概率模型（DDPM）

论文：去噪扩散概率模型

作者：Jonathan Ho, Ajay Jain, Pieter Abbeel

摘要：

我们利用扩散概率模型（一类受非平衡热力学启发的潜变量模型）实现了高质量的图像合成效果。通过基于扩散概率模型与朗之万动力学去噪分数匹配之间新颖关联设计的加权变分界进行训练，我们获得了最佳结果。我们的模型自然地支持渐进式有损解压缩方案，可视为自回归解码的泛化。在无条件CIFAR10数据集上，我们取得了9.46的Inception分数和当前最优的3.17 FID分数。在256x256 LSUN数据集上，我们获得了与ProgressiveGAN相当的生成质量。

推理

DDPM模型可使用以下离散噪声调度器进行推理：

• scheduling_ddpm
• scheduling_ddim
• scheduling_pndm

需要注意的是，虽然ddpm调度器能生成最高质量的图像，但耗时也最长。若要在质量和推理速度之间取得平衡，可考虑使用ddim或pndm调度器。

参考以下代码：

# !pip install diffusers  
from diffusers import DDPMPipeline, DDIMPipeline, PNDMPipeline  

model_id = "google/ddpm-celebahq-256"  

# 加载模型和调度器  
ddpm = DDPMPipeline.from_pretrained(model_id)  # 如需更快推理，可将DDPMPipeline替换为DDIMPipeline或PNDMPipeline  

# 运行推理流程（采样随机噪声并去噪）  
image = ddpm()["sample"]  

# 保存图像  
image[0].save("ddpm_generated_image.png")  

更多详细信息，请参阅官方推理示例。

训练

如需训练自定义模型，请参考官方训练示例。

生成样本