詳細解釋
DDPM（Denoising Diffusion Probabilistic Models）是2020年提出的去噪擴散機率模型，奠定現代擴散模型的基礎。
核心貢獻：
- 清晰理論：變分下界推導
- 簡化訓練：直接預測噪聲
- 品質提升：首次達到GAN級別圖像品質
- 開源推動：可復現，推動社區發展
與之前工作的區別：
- 2015年Sohl-Dickstein：原始擴散
- 2020年DDPM：簡化、改進、推廣
- 品質飛躍，實用化
訓練目標：
- 簡單的MSE：預測添加的噪聲
- 無需複雜的變分推導
- 穩定易訓練
採樣器：
- DDPM：原始隨機採樣
- DDIM：確定性變體
- 後續發展出各種快速採樣器
影響：
- 啟發Stable Diffusion
- 引發擴散模型熱潮
- 超越GAN成為主流生成模型
是擴散模型 (擴散生成模型)發展的里程碑論文。