DDIM

去噪扩散隐式模型（DDIM）由Jiaming Song、Chenlin Meng和Stefano Ermon提出。

论文的摘要如下：

去噪扩散概率模型（DDPMs）在没有对抗训练的情况下实现了高质量的图像生成，但它们需要模拟一个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（DDIMs），这是一种更高效的迭代隐式概率模型，具有与DDPMs相同的训练过程。在DDPMs中，生成过程被定义为马尔可夫扩散过程的逆过程。我们构建了一类非马尔可夫扩散过程，这些过程导致相同的训练目标，但其逆过程可以更快地进行采样。我们通过实验证明，与DDPMs相比，DDIMs可以在壁钟时间上快10倍到50倍地生成高质量样本，允许我们在计算和样本质量之间进行权衡，并且可以直接在潜在空间中进行语义上有意义的图像插值。

原始代码库可以在ermongroup/ddim找到。

DDIMPipeline

[[autodoc]] DDIMPipeline - all - call

ImagePipelineOutput

[[autodoc]] pipelines.ImagePipelineOutput