一句话导读
从噪声中“去噪”生成图像，文生图时代的技术地基
论文信息
| 英文原名 | Denoising Diffusion Probabilistic Models |
| 中文常用名 | 扩散模型（DDPM） |
| 作者 | Ho, Jain, Abbeel |
| 发表年份 | 2020 |
| 出处 / 获取 | arXiv:2006.11239 |
| 所属专题 | 生成模型 |
本文为 AI泡泡堂 经典 AI 文献栏目收录，信息经公开渠道核验。若需引用请以原论文为准。
详细解读（中文）
一、论文背景：在扩散模型流行之前，图像生成主要由 GAN（质量高但训练不稳定、模式坍塌风险大）和 VAE（训练稳定但图像模糊）主导。是否存在一种既训练稳定、又能生成高质量样本的生成框架？
二、核心创新：论文将热力学中的”扩散”思想引入生成建模：前向过程逐步向真实图像添加高斯噪声（约 1000 步），直至变成纯噪声；反向过程则训练一个神经网络（U-Net）学会逐步去噪，从纯噪声一步步还原出真实图像。训练目标被简化为”预测噪声”，即最小化添加噪声与预测噪声之间的均方误差。
三、关键技术细节：① 前向噪声调度采用线性方差表（β1=1e-4 到 β2=0.02）；② 反向用马尔可夫链参数化，训练时可随机采样任意时间步去噪，实现高效训练；③ 提出”噪声预测”等价于”分数匹配”，理论衔接扩散模型与分数生成模型（SDE）；④ 在 CIFAR-10（FID 优于当时 GAN 变体）、LSUN 等数据集上生成质量领先，且训练稳定、无模式坍塌。
影响与后续发展
DDPM 是扩散模型复兴的基石：直接催生了 DDIM（加速采样）、潜在扩散模型（Stable Diffusion 底层）、DALL·E 2、Midjourney 等所有主流文生图系统，其”逐步去噪”思想也被推广到视频生成、音频生成乃至蛋白质结构预测。扩散模型已成为当前生成式 AI 的绝对主流。
查看原始论文（权威链接）
英文原文摘要（Original Abstract，节选）
Denoising Diffusion Probabilistic Models (DDPM): We present high quality image synthesis results using diffusion probabilistic models, a class of latent variable models inspired by considerations from nonequilibrium thermodynamics. By training on a simple denoising objective, our models generate high-fidelity images and achieve competitive log-likelihoods, establishing diffusion models as a powerful class of generative models.
提示：以上英文摘要为原文节选，完整论文请通过上方权威链接查看（原始论文版权归原作者/出版方所有）。