趋近智
进阶扩散模型架构与训练
章节 1: 基础回顾与进阶噪声调度
回顾：去噪扩散概率模型（DDPM）
回顾：去噪扩散隐式模型 (DDIM)
数学原理：分数匹配与常微分方程
标准噪声调度法的局限性
设计定制噪声调度
可学习方差调度
动手实践：实现噪声调度变体
章节 2: 高级U-Net架构
扩散模型中的标准U-Net
U-Net中的注意力机制（自注意力、交叉注意力）
在U-Net中整合时间嵌入
高级条件输入整合
为求效率的架构变体（深度、宽度、池化）
归一化方法（GroupNorm, AdaLN）
实操：修改带注意力机制的 U-Net
章节 3: 基于Transformer的扩散模型
生成式建模中采用Transformer模型的缘由
使Transformer适应图像数据 (ViT, 图像块嵌入)
扩散变换器 (DiT)：架构概述
扩散Transformer模型中的条件作用
U-Net与Transformer在扩散模型中的比较
DiT 的实现考量
动手实践：构建一个简单的 DiT 模块
章节 4: 进阶训练技巧
分类器引导：原理与实现
无分类器引导 (CFG)：理论与优势
实施与调整CFG尺度
高级损失函数形式 (v-预测, L_simple)
模型参数化 (epsilon预测 vs. x0预测)
训练稳定性的方法 (梯度裁剪, 指数移动平均)
扩散模型的混合精度训练
动手实践：实现无分类器引导
章节 5: 一致性模型
动机：对更快采样的需求
核心思想：一致性
一致性模型训练：蒸馏方法
一致性模型训练：独立方法
一致性模型中的采样 (单步和多步)
一致性模型的架构考量
权衡：速度与质量
实践操作：基本一致性蒸馏
章节 6: 进阶采样与优化
高阶求解器 (DPM-求解器, UniPC)
随机采样变体
引导采样改进
采样问题排查（伪影、模糊）
扩散模型的模型蒸馏
扩散模型的量化
硬件加速考量 (GPU 核函数, 编译)
动手实践：比较高级采样器
模型参数化 (epsilon预测 vs. x0预测)
这部分内容有帮助吗？
- Denoising Diffusion Probabilistic Models, Jonathan Ho, Ajay Jain, Pieter Abbeel, 2020 Advances in Neural Information Processing Systems (NeurIPS) DOI: 10.48550/arXiv.2006.11239 - 介绍了去噪扩散概率模型框架，并确立了标准的$\epsilon$-预测目标。
- Generative Modeling by Estimating Gradients of the Data Distribution, Yang Song, Stefano Ermon, 2019 Advances in Neural Information Processing Systems (NeurIPS) DOI: 10.48550/arXiv.1907.05600 - 建立了去噪分数匹配与基于似然的生成模型之间的联系，是理解$\epsilon$-预测理论基础的关键。
- Elucidating the Design Space of Diffusion-Based Generative Models, Tero Karras, Miika Aittala, Timo Aila, Samuli Laine, 2022 Advances in Neural Information Processing Systems (NeurIPS) DOI: 10.48550/arXiv.2206.00364 - 为扩散模型提供了统一框架，比较了不同参数化（$\epsilon$，$x_0$，$v$）及其对训练稳定性和样本质量的影响。