条件生成的动因

这部分内容有帮助吗？

参考文献

Denoising Diffusion Probabilistic Models, Jonathan Ho, Ajay Jain, and Pieter Abbeel, 2020 Advances in Neural Information Processing Systems (NeurIPS) DOI: 10.48550/arXiv.2006.11239 - 这篇基础性论文介绍了去噪扩散概率模型（DDPM），为后续条件生成方法奠定了无条件图像生成的核心框架。
Diffusion Models Beat GANs on Image Synthesis, Prafulla Dhariwal and Alex Nichol, 2021 Advances in Neural Information Processing Systems (NeurIPS) DOI: 10.48550/arXiv.2105.05233 - 这项工作显著推进了扩散模型，展示了其卓越的图像生成质量，并引入了分类器引导，这是一种早期且有效的条件生成方法。
Classifier-Free Diffusion Guidance, Jonathan Ho and Tim Salimans, 2022 arXiv preprint arXiv:2207.12598 DOI: 10.48550/arXiv.2207.12598 - 引入了无分类器扩散引导，这是一种广泛采用的技术，无需外部分类器即可实现有效的条件生成，简化了许多应用中的过程。
High-Resolution Image Synthesis with Latent Diffusion Models, Robin Rombach, Andreas Blattmann, Dominik Lorenz, Patrick Esser, and Björn Ommer, 2022 CVPR 2022 DOI: 10.48550/arXiv.2112.10752 - 介绍了潜在扩散模型（LDMs），它实现了高效的高分辨率图像生成，是像Stable Diffusion等流行文本到图像模型的基础架构，展示了实用的条件生成。