扩散模型 diffusion model

扩散模型被证明在人工合成中非常有效，甚至在图像方面击败了GANs。正因为如此，它们在机器学习界获得了关注，并在DALL-E 2或Imagen等系统中发挥了重要作用。

虽然扩散模型最丰富的成功是在计算机视觉界，但这些模型在其他领域也取得了显著的成果，例如。

• 视频生成。
• 音频合成。
• 强化学习。
• 以及更多。

然而，最近关于扩散模型的大部分研究，如DALL-E 2和Imagen，不幸的是，更广泛的机器学习社区无法获得，通常都是闭门造车。

这里有一个 "diffusers "库，其目标是。

为了复习一些理论以及术语，我们建议阅读/略过以下博文。

• Lilian Weng的，OpenAI，介绍性文章
• 杨松，斯坦福，介绍性文章
• 注释的扩散模型帖子

或论文。

• 提出[无监督学习的热力学]的原始论文(https://arxiv.org/abs/1503.03585)。
• 一个流行的扩散模型的论文，去噪扩散概率模型
  DDPM，或
• 最近的一篇论文，包括扩散模型的权衡