IDDPM 和 DDIM 对比

IDDPM

IDDPM：Improved Denoising diffusion probabilistic models

• learning ${\Sigma }_{\theta }$， 即${\Sigma }_{\theta }\left(x_t,t\right)=\exp \left(v\log {\beta }_t+(1-v)\log {\tilde{\beta }}_t\right)$
  $\widetilde{{\beta }_t}=\frac{1-{\bar{\alpha }}_{t-1}}{1-{\bar{\alpha }}_t}.{\beta }_t$

• $L_{hybrid}=L_{simple}+\lambda .L_{vlb}$

• 重参数化的噪声和${\beta }_t$是什么关系？
  噪声是$ϵ$, ${\beta }_t$是方差，$q(x_t|x_{t-1})=\mathcal{N}(x_t;\sqrt{1-{\beta }_t}{x}_{t-1},{\beta }_t.I)$

• improve the noise schedule

DDIM

DDIM: Denoising diffusion implicit models

• 非马尔科夫加噪过程，重写sample函数
• 与DDPM有相同的边缘概率$q(x_t|x_0)$, 比DDPM快10到50倍
• 以改变逆扩散过程中的方差来生成不同的样本