概述
DDPM 和 DDIM 是运行扩散模型的逆过程的两种方法，将随机噪声逐步转化为图像。 DDPM是原始随机配方； DDIM 是一种更快、确定性的快捷方式，可以用更少的步骤生成类似的图像。
DDPM 和 DDIM 采样器属于计算机视觉工作流程，用于解释或生成视觉媒体以进行分析、操作和创造力。
深入探讨
通过逐渐向图像添加高斯噪声来训练扩散模型，然后学习预测该噪声。抽样扭转了这一点。 DDPM（去噪扩散概率模型，Ho et al. 2020）会回溯每个噪声级别，在每个步骤中添加一些新的随机噪声，因此通常需要数百到一千个步骤。 DDIM（去噪扩散隐式模型，Song 等人，2021）重复使用完全相同的训练网络，但遵循非马尔可夫确定性轨迹。通过丢弃注入的随机性，DDIM 可以跳过许多时间步长，并且仍然可以在 10-50 个步长内获得高质量图像。由于 DDIM 是确定性的，因此相同的起始噪声始终会产生相同的图像，从而实现平滑插值和再现性。
技术洞察
两个采样器都使用一个网络来预测在时间步 t 添加到图像中的噪声 epsilon。 DDPM 的更新减去该预测的缩放版本，然后添加从后验中提取的方差噪声。 DDIM 重写更新以首先估计干净图像 x0，然后将其重新投影到没有随机项的下一个（较小的）时间步长。参数 eta 将两者混合在一起：eta=1 恢复 DDPM，eta=0 给出完全确定性 DDIM。
掌握 DDPM 和 DDIM 采样器
DDPM 和 DDIM 是运行扩散模型的逆过程的两种方法，将随机噪声逐步转化为图像。 DDPM是原始随机配方； DDIM 是一种更快、确定性的快捷方式，可以用更少的步骤生成类似的图像。 DDPM 和 DDIM 采样器属于计算机视觉工作流程，用于解释或生成视觉媒体以进行分析、操作和创造力。为了建立深入的理解，请将 DDPM 和 DDIM 采样器视为一种操作模型，而不是单个功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用 DDPM 和 DDIM 采样器的强大团队会平衡准确性与数据质量、照明差异和标签一致性等操作现实。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
视觉人工智能可以大规模自动化检查、检测和标记任务。同时，如果出处不明，肖像权和同意可能会成为法律风险。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
视觉人工智能可以大规模自动化检查、检测和标记任务。
视觉人工智能可以大规模自动化检查、检测和标记任务。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
创意团队可以通过更少的手动修改更快地构建概念原型。
创意团队可以通过更少的手动修改更快地构建概念原型。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
操作可以使用以前难以处理的图像和视频信号。
操作可以使用以前难以处理的图像和视频信号。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
稳定的扩散图像生成，其中 DDIM 作为 Automatic1111 和 ComfyUI 等工具中文本到图像提示的快速默认采样器提供。
可重现的艺术管道，使用确定性 DDIM 修复随机种子，因此相同的提示和种子始终会重新生成相同的图像。
通过 DDIM 从噪声到输出的确定性映射，可以在两个图像之间实现平滑的潜在空间插值以实现变形动画。
快速创意迭代，设计人员使用 20 步 DDIM 预览来探索概念，然后再进行更慢、保真度更高的全步渲染。
实施模式
DDPM 和 DDIM 采样器的实践
稳定的扩散图像生成，其中 DDIM 作为 Automatic1111 和 ComfyUI 等工具中文本到图像提示的快速默认采样器提供。
稳定的扩散图像生成，其中 DDIM 作为自动1111和ComfyUI等工具中文本到图像提示的快速默认采样器提供。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
DDPM 和 DDIM 采样器的实践
可重现的艺术管道，使用确定性 DDIM 修复随机种子，因此相同的提示和种子始终会重新生成相同的图像。
可复制的艺术管道使用确定性 DDIM 修复随机种子，因此相同的提示和种子始终会重新生成相同的图像。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
DDPM 和 DDIM 采样器的实践
通过 DDIM 从噪声到输出的确定性映射，可以在两个图像之间实现平滑的潜在空间插值以实现变形动画。
通过 DDIM 从噪声到输出的确定性映射，可以在两个图像之间实现平滑的潜在空间插值以实现变形动画。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
DDPM 和 DDIM 采样器的实践
快速创意迭代，设计人员使用 20 步 DDIM 预览来探索概念，然后再进行更慢、保真度更高的全步渲染。
快速的创意迭代，设计人员使用 20 步 DDIM 预览来探索概念，然后再进行更慢、保真度更高的全步渲染。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
如果出处不明，肖像权和同意可能会成为法律风险。
模型性能可能因光照、人口统计和环境的不同而有所不同。
除非监控置信阈值，否则误报可能会被忽视。
实施路线图
定义精确度、召回率和错误成本的接受标准。
定义精确度、召回率和错误成本的接受标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用符合实际生产条件的数据进行测试。
使用符合实际生产条件的数据进行测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为低置信度或高影响力的预测添加人工审核。
为低置信度或高影响力的预测添加人工审核。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪模型漂移并在相机或数据集更改后重新验证。
跟踪模型漂移并在相机或数据集更改后重新验证。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。