论文 · 资源记录

Denoising Diffusion Probabilistic Models

以参数化反向 Markov 链和去噪目标训练扩散概率模型。

作者：Jonathan Ho, Ajay Jain, Pieter Abbeel年份：2020出版信息：Advances in Neural Information Processing Systems 33元数据：完整链接核验于 2026-07-14

为什么重要

用于核对前向加噪、反向采样、变分界与噪声预测目标的关系。

A09 · 第 5 章得分匹配、扩散过程与反向采样
支持的主张：DDPM 原论文用于核对固定前向加噪链、参数化反向过程、变分界与噪声预测目标；《Deep Learning》用于核对潜变量模型、概率链和梯度优化基础。本章的离散扩散公式以原论文约定为准，连续时间 score 表达被标为后续推广，不由 2020 年论文的离散实验无条件推出。
A09 · 第 6 章生成质量、覆盖与生成模型综合复习
支持的主张：《Deep Learning》用于核对显式/隐式密度、潜变量和生成训练的一般框架；VAE 论文用于核对 ELBO 与重参数化梯度，GAN 论文用于核对对抗极小极大目标，DDPM 论文用于核对前向加噪、反向链和噪声预测目标。本章的比较表逐列对应这些不同目标，不把某一模型的似然、样本质量或训练代价指标移用于另一模型。