扩散模型采样DPM-Solver：避开复杂数学推导通俗理解

DPM-Solver
论文地址：https://arxiv.org/pdf/2206.00927
公式来自于论文

1.引入

扩散模型是一种近几年很火的生成模型，大概思路就是正向加噪与反向去噪生成图片。想必接触扩散模型，大家一定被里面的数学推导吓到了，本文尽量避开数学推导的具体过程，我们先从结论入手，大概的去了解DPM-Solver这篇论文。本人也是初学者，如果有问题，欢迎一起探讨。文章提到的推导部分，如果后续有时间会补充上

阅读本文你需要提前知道：扩散模型的核心思想；什么是SDE与ODE。

2.前置知识

1.扩散模型可以用随机微分方程描述（为什么可以用随机微分方程描述？这里暂不赘述）

前向SDE:

由前向SDE可以推导出逆向SDE（推导1）：

f(t)，g(t)：

其中αt与σt是扩散前向过程中与噪音有关的函数，来自于噪音表（取决于前向用什么样的策略加噪），是关于时间t的函数

不同的策略有不同的加噪方式，比如SMLD的单步加噪公式：
$$x_i=x_{i-1}+$$