AIGC面经大全（持续更新）

目录

DDPM算法原理部分：

DDIM算法原理部分： 

 ⾼阶采样⽅案：

特征编码篇：

Stable Diffusion篇： 

 SDXL篇：

 ⼤模型微调篇：

控制模型篇：

 适配器篇：

---

DDPM算法原理部分：

简述DDPM的算法流程：

1. 初始化：从带噪声的图像开始。
2. 正向扩散：逐步向数据添加高斯噪声，直到数据完全转化为无结构的噪声。
3. 反向去噪：通过模型预测并逐渐去掉每一步加入的噪声，还原得到无噪声的图像。
4. 训练：使用反向传播算法更新模型参数，以最小化正向和反向过程之间的差异。
5. 测试：对新的高噪声图像应用训练好的模型进行去噪。

实现DDPM是否需要什么条件：

1. 马尔可夫链：DDPM使用马尔可夫链来描述数据的扩散过程。马尔可夫链是一个随机过程，具有无记忆性，即在给定当前状态的情况下，未来的状态只依赖于当前状态。
2. 微小变化：DDPM通过逐步添加微小的高斯噪声来扩散数据。这些微小的变化是在数据中引入随机性的关键步骤。
3. 高斯噪声变化：DDPM使用高斯噪声来模拟数据的扩散过程。高斯噪声是一种常见的随机噪声，也称为正态分布噪声。

为什么DDPM加噪声的幅度是不⼀致的？

前期加噪少是为了保持数据结构的完整性，后期加噪多是为了加速扩散过程，使得模型能够更快地从噪声中恢复出清晰的数据。

DDPM预测噪声还是预测当前分布？

预测噪声，预测分布只是中间过程

DDIM算法原理部分： 

DDIM是怎么实现加速采样的？

DDIM通过保证DDPM的三项前向条件不变：前向⾼斯噪声+⻢尔可夫链，实现逆向递推公式优化，减少逆向推理步骤

DDIM是不是确定性⽣成，为什么 

是确定性⽣成。因为在逆向去噪声过程中，DDIM的逆推公式，将随机噪声的部分置为0

 

Score-Based-diffusion-model

提供了⼀种解释扩散模型的等价⽅式，其中降噪过程可以看作是沿着分数（梯度）前进

 ⾼阶采样⽅案：

是否了解DPM++等加速采样⽅案

通过ODE对扩散模型进⾏建模，通过解析解的形式解构扩散模型求解步骤

特征编码篇：

介绍⼀下CLIP编码ÿ