diffusion model模型应用与理解

1. diffusion模型的应用

diffusion模型在计算机视觉、自然语言处理等方面有广泛的研究和应用。下图为diffusion模型在不同领域的一些研究与应用。

2. diffusion模型与其他模型的对比

扩散模型的灵感来自非平衡热力学。扩散模型定义了一个扩散的马尔可夫链，并缓慢地将随机噪声添加到数据中，然后学习反扩散过程以从噪声中构建所需的数据样本。与 VAE 或流模型不同，扩散模型是通过固定过程学习的，且扩散过程中变量具有和原始变量相同的维度。

2.1 VAE与diffusion模型对比

DDPM 可以被视为多层马尔可夫 VAE。正向过程表示编码器，反向过程表示解码器。此外，DDPM 跨多个层共享解码器，并且所有隐变量的大小都与样本数据相同。在连续时间的条件下，优化扩散模型可以看作是训练一个无限的、深度的、多层的的 VAE。这证明了人们普遍认为扩散模型可以解释为分层 VAE 的连续极限。

2.2 diffusion模型推导过程

扩散模型包括两个过程：前向过程（forward process）和反向过程（reverse process），其中前向过程又称为扩散过程（diffusion process），如下图所示。无论是前向过程还是反向过程都是一个参数化的马尔可夫链（Markov chain），其中反向过程可以用来生成数据，这里我们将通过变分推断来进行建模和求解。