算法动画 · 梯度
扩散模型采样动画
展示扩散模型的反向去噪过程：从纯噪声出发，逐步去噪生成清晰的图像。
Diffusion Model (Reverse Process)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
未激活·当前高亮（3 个元素）
1
扩散模型生成从纯高斯噪声开始，这是反向去噪过程的起点（T 时刻）。
第 1 步 / 共 714%
🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
😲
从一千步到五十步的加速原始扩散模型(DDPM)需要1000步去噪才能生成一张图片，每一步都是一次完整的神经网络前向传播，生成一张图可能需要几分钟。DDIM(Denoising Diffusion Implicit Models)的突破性贡献是：它证明了扩散过程不一定要遵循马尔可夫链，可以在保持生成质量的同时把采样步数从1000降到50甚至更少。后来的DPM-Solver和一致性模型进一步将采样压缩到1-4步。另一个关键技术是"无分类器引导"(Classifier-Free Guidance)：同时训练条件和无条件模型，推理时用两者的差值来引导生成——guidance scale越大，图像越精致但多样性越低。
来源：Song et al., "Denoising Diffusion Implicit Models", ICLR 2021
一句话总结
💡
采样优化通过 DDIM、DPM-Solver、一致性模型等方法减少去噪步数，从上千步降至几十步甚至一步出图。
常见误区
这些坑别踩
✗
误区 1
步数越少采样越快且质量不变。
✓
正确理解
减少步数通常牺牲质量，加速方法是在质量与速度间找平衡。
✗
误区 2
DDIM 改变了训练方式。
✓
正确理解
DDIM 只改变采样过程（非马尔可夫），无需重新训练模型即可加速。
✗
误区 3
一致性模型质量已等同多步扩散。
✓
正确理解
少步一致性模型在细节上仍不及多步扩散，是质量-速度权衡。