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
动机：对更快采样的需求
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), Vol. 33 (Neural Information Processing Systems Foundation, Inc. (NeurIPS)) DOI: 10.48550/arXiv.2006.11239 - 介绍了原始的DDPM框架，它确立了多步迭代采样过程。
- Denoising Diffusion Implicit Models, Jiaming Song, Chenlin Meng, Stefano Ermon, 2020 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.2010.02502 - 介绍了DDIM，一种通过允许非马尔可夫步和更少的评估来加速扩散模型采样的方法，但仍依赖于迭代。
- Consistency Models, Yang Song, Jiaming Song, Ming-Yu Liu, Stefano Ermon, 2023 International Conference on Machine Learning (ICML), Vol. 202 (PMLR) DOI: 10.48550/pmlr-v202-song23a - 提出了一致性模型，这是一类旨在实现快速、一步或几步采样的新型生成模型，直接解决了迭代扩散的局限性。
© 2025 ApX Machine Learning用心打造