技术定义
通过学习逐步去噪或逆扩散过程,从噪声恢复数据结构的生成模型。
2015年的研究将前向扩散和可学习逆过程用于生成建模。2020年的去噪扩散概率模型论文展示了高质量图像合成。
本条聚焦扩散生成方法,不能把所有去噪算法都归为同一技术。语言模型与扩散模型有不同建模路线,也可以在更大系统中组合。
原理与影响
解决的问题
- 以可训练的分步过程建模并生成复杂数据分布。
核心原理
- 构造前向扰动过程并学习反向恢复数据的过程。
相对前代的改进
暂无记录
技术意义
- 形成现代生成模型的一条重要路线。
历史与应用
人物
Jascha Sohl-Dickstein、Jonathan Ho、Pieter Abbeel
组织
暂无记录
事件
暂无记录
典型应用
图像生成、生成建模
留下的局限
- 生成开销与模型、采样步数有关,数据偏差和内容一致性仍需评估。
上下游关系
上游
证据:Deep Unsupervised Learning using Nonequilibrium ThermodynamicsDenoising Diffusion Probabilistic Models
证据:Deep Unsupervised Learning using Nonequilibrium ThermodynamicsDenoising Diffusion Probabilistic Models
下游
暂无直接下游记录