1.最近发现自己光探索SDWebUI功能搞了快两个月，但是没有理论基础后面科研路有点难走，所以在师兄的建议下，开始看b站视频学习一下扩散模型，好的一看一个不吱声，一周过去了写个博客总结一下吧，理理思路。不保证下面的内容完全正确，只能说是一个菜鸟的思考和理解，有大佬有正确的理解非常欢迎评论告知，不要骂我不要骂我。2.这里推荐up主，deep_thoughts投稿视频-deep_thoughts视频分享-哔哩哔哩视频(bilibili.com)我觉得对于学习而言只有学到了和没学到的差别，以前可能更多的是直接阅读文献，但如果有这样好的学者录个视频带你精读论文是比你自己埋头苦读五百年好太多太多了，学习

DiffusionModels专栏文章汇总：入门与实战前言：DDIM发表在ICRL2021上，是DDPM重要的改进之一，能显著提高DDPM的样本质量、减少采样时间，并且已经被广泛应用到现在的DiffusionModels上。这篇博客和大家一起详细解读一下DDIM，认识这一伟大的模型。目录DDPM的缺点：多次迭代耗时耗力超参数T的作用和限制

DDPM:  去噪扩散概率模型(DDPM)在没有对抗训练的情况下实现了高质量的图像生成，但它们需要模拟马尔可夫链的许多步骤才能生成样本。为了加速采样，我们提出了去噪扩散隐式模型(DDIM)，这是一类更有效的迭代隐式概率模型，其训练过程与DDPM相同。在DDPM中，生成过程被定义为马尔可夫扩散过程的逆过程。我们构建了一类导致相同训练目标的非马尔可夫扩散过程，但其反向过程可以更快地进行采样。我们凭经验证明，与DDPM相比，DDIM可以在挂钟时间方面快10倍到50倍的速度生成高质量样本，允许我们权衡计算以换取样本质量，并且可以直接在潜在空间中执行具有语义意义的图像插值。这些模型的一个关键缺点是它们需