【论文速读】DDIM:DENOISING DIFFUSION IMPLICIT MODELS

最新推荐文章于 2025-02-28 23:10:54 发布

半度、

最新推荐文章于 2025-02-28 23:10:54 发布

阅读量361

点赞数 3

文章标签：人工智能

本文链接：https://blog.csdn.net/weixin_43457608/article/details/142629348

版权

详细见论文

2010.02502v4

简单理解

因为DDPM是遵循马尔可夫过程的，下一时刻状态取决上一时刻状态。DDIM经过变换后，让前向加噪过程成立的同时，去噪过程可以不遵循马尔可夫过程，将T=1000的序列，采样L序列（远小于T），加速推理
在这里插入图片描述

实现代码

    @torch.no_grad()
    def ddim_sample(self, shape, cond, **kwargs):
        batch, device, total_timesteps, sampling_timesteps, eta = shape[0], self.betas.device, self.n_timestep, 50, 1

        times = torch.linspace(-1, total_timesteps - 1, steps=sampling_timesteps + 1)   # [-1, 0, 1, 2, ..., T-1] when sampling_timesteps == total_timesteps
        times = list(reversed(times.int().tolist()))
        time_pairs = list(zip(times[:-1], times[1:])) # [(T-1, T-2), (T-2, T-3), ..., (1, 0), (0, -1)]