Tag: diffusion-models-foundations-ddpm
-
【AI 核心深度 M6-045】解释噪声调度（linear vs cosine）的影响。（Noise Scheduling Dynamics: Linear vs Cosine Variance Schedules and SNR Boundaries）深度数理推导与工程落地解析
调度决定各时间步的信噪比分布；linear 在两端浪费（中间信噪比变化快），cosine 更均匀，质量更好。
-
【AI 核心深度 M6-046】解释扩散模型的 ELBO 与简化损失的差异。（Mathematical Derivation of the Diffusion Variational Lower Bound (ELBO) vs Simplified Objective）深度数理推导与工程落地解析
ELBO 给出各时间步加权的 MSE；DDPM 的简化损失去掉权重用均匀 MSE，实践效果更好但不再是严格的似然下界。
-
【AI 核心深度 M6-047】解释扩散模型的推理加速路线。（Inference Acceleration Paradigms for Diffusion Models: Solvers, Distillation, and Flow Matching）深度数理推导与工程落地解析
减少步数（高阶求解器/蒸馏）、缓存复用、并行化、以及潜空间压缩（LDM）与量化。
-
【AI 核心深度 M6-048】解释 score matching 与扩散的关系。（Score-Based Generative Modeling and Equivalence with Denoising Diffusion Probabilistic Models）深度数理推导与工程落地解析
扩散的 ε 预测等价于估计 score（∇log p）；去噪 score matching 提供了扩散损失的另一种（统一的）推导。
-
【AI 核心深度 M6-049】解释 v-prediction 与 epsilon-prediction 的差异。（Velocity v-Prediction vs Epsilon-Prediction in Diffusion Models: SNR Stability and Extreme Noise Regimes）深度数理推导与工程落地解析
ε-prediction 在高噪声区难（信号弱）；x_0-prediction 在低噪声区难；v-prediction 是两者的平衡，各 SNR 区间难度更均匀。
-
【AI 核心深度 M6-050】解释扩散模型的条件注入方式（cross-attention / concat / adaLN）。（Conditioning Mechanisms in Diffusion Models: Cross-Attention, Channel Concatenation, and AdaLN）深度数理推导与工程落地解析
文本条件常用 cross-attention（U-Net）或 adaLN 调制（DiT）；类别/低层条件常用 concat；可组合使用。
-
【AI 核心深度 M6-051】解释扩散模型的 SDE 与 ODE 采样。（Continuous-Time Diffusion Formulations: Forward/Reverse SDEs and Probability Flow ODEs）深度数理推导与工程落地解析
反向 SDE（随机，DDPM/Euler-a）与概率流 ODE（确定，DDIM/DPM-Solver）有相同边缘分布；ODE 可大步长、SDE 多样性更高。
-
【AI 核心深度 M6-044】解释 DDPM 与 DDIM 的采样差异。（Sampling Dynamics: Stochastic DDPM vs Deterministic DDIM Non-Markovian Acceleration）深度数理推导与工程落地解析
DDPM 是随机采样（每步加噪）；DDIM 是确定性采样（可跳步、更少步数），同一训练模型可用两种采样。
-
【AI 核心深度 M6-042】写出扩散的前向过程与闭式解。（Forward Diffusion Process Formulation, Markov Chain Dynamics, and Closed-Form Marginal Distribution）深度数理推导与工程落地解析
前向逐步加噪 q(x_t|x_{t-1})=N(√(1-β_t)x_{t-1}, β_t I)；闭式解可直接从 x_0 采样任意 t 的 x_t。
-
【AI 核心深度 M6-043】写出 DDPM 的简化训练损失，并说明网络预测什么。（DDPM Simplified Training Objective and Noise Prediction Formulation）深度数理推导与工程落地解析
网络预测噪声 ε：L=E[‖ε−ε_θ(x_t,t)‖²]；训练时随机采 t、用闭式解构造 x_t、回归所加的噪声。