Diffusion Models

需要的前置知识

数学：

• 微积分：
• 导数和梯度的计算。
• 偏微分和链式法则。
• 多变量函数优化（如梯度下降）。
• 微分方程：
• 常微分方程的基础知识（扩散模型涉及随机微分方程）。
• 伊藤引理（Itô Lemma）。

统计学：

• 必备知识点：
• 布朗运动（Brownian Motion）：
  • 随机游走及其连续极限。
  • 高斯过程。
• 随机微分方程（SDE）：
  • Itô公式及其在扩散模型中的应用。
• 马尔可夫过程：
  • 时间连续和离散的马尔可夫过程。
  • 马尔可夫链的定义及性质。
  • 转移概率矩阵的理解。

系统地学习扩散模型（Diffusion Models）需要一个结构化的学习路径，从基础理论到高级应用逐步深入。以下是建议的学习步骤：

Reading list

1. Denoising Diffusion Probabilistic Models (DDPM) - 核心理论。

2. Improved Denoising Diffusion Probabilistic Models - 模型优化方法。

3. Diffusion Models Beat GANs on Image Synthesis - 扩散模型在图像生成任务中的优势。

4. Score-Based Generative Modeling through Stochastic Differential Equations - 介绍基于分数的生成建模方法。

5. Latent Diffusion Models - 扩散模型与潜在空间的结合。

TO READ * [ ] https://www.cvmart.net/community/detail/6827