【场景应用5】深入探讨去噪扩散概率模型及训练推理过程

在这篇博客文章中，我们将深入探讨去噪扩散概率模型（Denoising Diffusion Probabilistic Models，简称DDPMs，扩散模型，基于评分的生成模型，或简单的自编码器），因为研究人员在（无条件或有条件的）图像/音频/视频生成任务中，已经取得了显著的成果。流行的例子（在撰写本文时）包括OpenAI的GLIDE和DALL-E 2、海德堡大学的Latent Diffusion，以及Google Brain的ImageGen。

我们将详细解读Ho等人（2020）发表的DDPM原始论文，并在PyTorch中一步一步地实现它，基于Phil Wang的实现，而Phil Wang的实现本身又基于原始的TensorFlow实现。需要注意的是，扩散生成模型的思想实际上早在(Sohl-Dickstein et al., 2015)中就已经被提出。然而，直到(Song et al., 2019)（斯坦福大学）和随后Ho等人（2020）（Google Brain）独立改进了这一方法，才真正推动了扩散模型的发展。

需要注意的是，关于扩散模型有多个不同的视角。在这里，我们采用离散时间（潜变量模型）的视角，但也建议你进一步了解其他的视角。
好的，接下来让我们深入