一句话导读
让扩散生成提速数十倍的高效采样方法
论文信息
| 英文原名 | Denoising Diffusion Implicit Models |
| 中文常用名 | DDIM（快速扩散采样） |
| 作者 | Song, Meng, Ermon |
| 发表年份 | 2021 |
| 出处 / 获取 | arXiv:2010.02502 |
| 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：DDPM 能生成高质量图像，但反向去噪需按 1000 步逐步进行，采样一次极其缓慢（数分钟到数十分钟）。能否在保持生成质量的同时大幅加速扩散采样？
二、核心创新：论文提出 DDIM（Denoising Diffusion Implicit Models），将扩散生成过程重构为”非马尔可夫”的隐变量模型：允许在采样时跳跃步数（如每 20 步采一次，总步数从 1000 降到 50 甚至 20），从而比 DDPM 快 10~50 倍，同时保持甚至改善样本质量。
三、关键技术细节：① 构造一族”以 x_T 为终点的非马尔可夫前向过程”，其边缘分布与 DDPM 一致，因此可直接复用 DDPM 训练好的去噪网络；② 提出确定性采样（η=0）与随机采样（η=1）的统一插值形式，η=0 时为确定性 ODE 采样，保证可复现；③ 确定性采样让隐空间具有”一致性”，支持图像插值、语义编辑与潜在空间操控；④ 在 CIFAR-10、CelebA 等数据集上，50 步 DDIM 即可接近 1000 步 DDPM 的 FID。
影响与后续发展
DDIM 开启了”扩散采样加速”研究方向：其确定性 ODE 视角启发了 DPM-Solver、Consistency Models 等更快采样器，也是 Stable Diffusion 推理加速与 latent 编辑（如 image-to-image）的理论基础。
查看原始论文（权威链接）
英文原文摘要（Original Abstract，节选）
Denoising Diffusion Implicit Models (DDIM): We consider the denoising diffusion probabilistic model (DDPM) and show that the generative process can be made deterministic, which we call the denoising diffusion implicit model (DDIM). DDIM can generate high-quality samples 10 to 50 times faster than DDPM, and it enables meaningful interpolation in the latent space, establishing the foundation for accelerated diffusion sampling.
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）。