概述
DDPM 和 DDIM 是運行擴散模型的逆過程的兩種方法，將隨機雜訊逐步轉換為影像。 DDPM是原始隨機配方； DDIM 是一種更快、確定性的快捷方式，可以用更少的步驟產生類似的圖像。
DDPM 和 DDIM 採樣器屬於電腦視覺工作流程，用於解釋或產生視覺媒體以進行分析、操作和創造力。
深入探討
透過逐漸向影像添加高斯雜訊來訓練擴散模型，然後學習預測該雜訊。抽樣扭轉了這一點。 DDPM（去噪擴散機率模型，Ho et al. 2020）會回溯每個噪聲級別，在每個步驟中添加一些新的隨機噪聲，因此通常需要數百到一千個步驟。 DDIM（去噪擴散隱式模型，Song 等人，2021）重複使用完全相同的訓練網絡，但遵循非馬可夫確定性軌跡。透過丟棄注入的隨機性，DDIM 可以跳過許多時間步長，並且仍然可以在 10-50 個步長內獲得高品質影像。由於 DDIM 是確定性的，因此相同的起始雜訊始終會產生相同的影像，從而實現平滑插值和再現性。
技術洞察
兩個取樣器都使用一個網路來預測在時間步 t 新增到影像中的雜訊 epsilon。 DDPM 的更新減去該預測的縮放版本，然後加入從後驗中提取的方差雜訊。 DDIM 重寫更新以首先估計乾淨影像 x0，然後將其重新投影到沒有隨機項目的下一個（較小的）時間步長。參數 eta 將兩者混合在一起：eta=1 恢復 DDPM，eta=0 給出完全確定性 DDIM。
掌握 DDPM 和 DDIM 採樣器
DDPM 和 DDIM 是運行擴散模型的逆過程的兩種方法，將隨機雜訊逐步轉換為影像。 DDPM是原始隨機配方； DDIM 是一種更快、確定性的快捷方式，可以用更少的步驟產生類似的圖像。 DDPM 和 DDIM 採樣器屬於電腦視覺工作流程，用於解釋或產生視覺媒體以進行分析、操作和創造力。為了建立深入的理解，請將 DDPM 和 DDIM 採樣器視為一種操作模型，而不是單一功能：定義所需的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，使用 DDPM 和 DDIM 採樣器的強大團隊會平衡準確性與數據品質、照明差異和標籤一致性等操作現實。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。同時，如果出處不明，肖像權和同意可能會成為法律風險。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
創意團隊可以透過更少的手動修改來更快地建立概念原型。
創意團隊可以透過更少的手動修改來更快地建立概念原型。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
操作可以使用以前難以處理的影像和視訊訊號。
操作可以使用以前難以處理的影像和視訊訊號。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
穩定的擴散影像生成，其中 DDIM 作為 Automatic1111 和 ComfyUI 等工具中文字到影像提示的快速預設取樣器提供。
可重現的藝術管道，使用確定性 DDIM 修復隨機種子，因此相同的提示和種子始終會重新生成相同的圖像。
透過 DDIM 從雜訊到輸出的確定性映射，可以在兩個影像之間實現平滑的潛在空間插值以實現變形動畫。
快速創意迭代，設計人員使用 20 步驟 DDIM 預覽來探索概念，然後再進行更慢、保真度更高的全步渲染。
實施模式
DDPM 和 DDIM 採樣器的實踐
穩定的擴散影像生成，其中 DDIM 作為 Automatic1111 和 ComfyUI 等工具中文字到影像提示的快速預設取樣器提供。
穩定的擴散影像生成，其中 DDIM 作為自動1111和ComfyUI等工具中文字到影像提示的快速預設取樣器提供。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
DDPM 和 DDIM 採樣器的實踐
可重現的藝術管道，使用確定性 DDIM 修復隨機種子，因此相同的提示和種子始終會重新生成相同的圖像。
可複製的藝術管道使用確定性 DDIM 修復隨機種子，因此相同的提示和種子始終會重新生成相同的圖像。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
DDPM 和 DDIM 採樣器的實踐
透過 DDIM 從雜訊到輸出的確定性映射，可以在兩個影像之間實現平滑的潛在空間插值以實現變形動畫。
透過 DDIM 從雜訊到輸出的確定性映射，可以在兩個影像之間實現平滑的潛在空間插值以實現變形動畫。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
DDPM 和 DDIM 採樣器的實踐
快速創意迭代，設計人員使用 20 步驟 DDIM 預覽來探索概念，然後再進行更慢、保真度更高的全步渲染。
快速的創意迭代，設計人員使用 20 步驟 DDIM 預覽來探索概念，然後再進行更慢、保真度更高的全步渲染。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
如果出處不明，肖像權和同意可能會成為法律風險。
模型表現可能因光照、人口統計和環境的不同而有所不同。
除非監控置信閾值，否則誤報可能會被忽略。
實施路線圖
定義精確度、召回率和錯誤成本的接受標準。
定義精確度、召回率和錯誤成本的接受標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用符合實際生產條件的數據進行測試。
使用符合實際生產條件的數據進行測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為低置信度或高影響力的預測添加人工審核。
為低置信度或高影響力的預測添加人工審核。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤模型漂移並在相機或資料集變更後重新驗證。
追蹤模型漂移並在相機或資料集變更後重新驗證。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。