训练阶段，扩散模型学会在不同噪声水平下判断“当前样本应该往哪里移动”。推理阶段，我们从噪声 出发，把这个方向连续兑现成图像、视频或动作序列。采样器要在有限模型调用次数里，尽量沿着正确轨迹从高噪声分布走回数据分布。 扩散采样的主线是：模型给方向，采样器决定怎样沿这个方向走。DDPM、DDIM、Euler、He
-
-
扩散模型：条件控制与 Guidance
扩散模型的条件控制，常被一句“调 prompt 和 CFG scale”带过。真正做系统时，这句话太粗：prompt、边缘图、姿态、mask、参考图和首帧，首先要被模型在每一步去噪时读到；而 guidance 只是在采样时，把“有条件”和“基准方向”的差额放大。前者是条件怎么进入模型，后者是采样轨迹怎么被拉扯。 把这两
-
扩散模型：发展脉络
扩散模型的发展可以放在一条连续主线上看： DDPM 解决如何稳定训练高质量生成模型， DDIM / ODE solver 解决如何更快采样， Consistency / LCM / DMD / Rectified Flow 继续追问能否把几十步甚至几百步压到几步或一步。 统一记号 后文统一使用这组记号： $$ x t=
-
扩散模型：一步生成、蒸馏与整流：把多步纠错压成少数大跳
扩散采样慢，不只是因为循环次数多。多步采样的每一步都在做小修正：先定大结构，再补关系、材质、边缘和高频纹理。把 30 步、50 步压到 4 步甚至 1 步，等于要求学生模型一次跨过教师原来很多个噪声区间。 采样器不再有几十次纠错机会时，少步模型要同时保住分布、细节、多样性和条件控制。 少步生成把线上推理成本转移到离线训
-
扩散模型：Consistency Models 与 Flow：终点映射和局部速度的边界
Consistency Models、LCM、Flow Matching 和 Rectified Flow 都能服务少步生成，但它们学习的对象不同。一致性路线学习轨迹上不同时间点到同一终点的映射；Flow 路线学习当前位置的局部速度，再由 ODE solver 积分出终点。两者可以共享教师轨迹或相同端点分布，不能因此视
-
扩散模型：扩散方法怎么选：先判断你在改哪一层成本
扩散方法对照最容易写成方法名大表：DDPM、DDIM、Euler、Heun、DPM-Solver++、Consistency、LCM、DMD、Rectified Flow 都排在一起，最后用“步数更少”做结论。这个读法很危险，因为这些方法改的不是同一个部件。 更实用的问法是：你能不能重训；想省的是在线网络评估次数、离线
-
other-recommend-note
post by Charles in 2024-09-29 00:11:30
-
algorithm-and-datastruct-note
post by Charles in 2024-09-29 00:09:32
-
compiler-design-note
post by Charles in 2024-09-29 00:04:43
-
computer-organization-and-architecture-note
post by Charles in 2024-09-29 00:04:26
