[论文笔记] stable diffusion——1、论文：理解扩散模型:一个统一的视角

一、目录

1.1 简介:生成模型

1.2 背景:ELBO、VAE和分层VAE

        证据下限

        变分自编码器

        分层变分自编码器

1.3 变分扩散模型

        学习扩散噪声参数

        三种等效解释

1.4 基于分数的生成模型

1.5 指导

        分类指导

        分类器自由引导

1.6 结语

二、简介:生成模型

        给定来自感兴趣分布的观察样本x，生成模型的目标是学习对其真实数据分布p(x)建模。一旦学会了，我们就可以从我们的近似模型中随意生成新的样本。此外，在某些公式下，我们还可以使用学习到的模型来评估观察或抽样数据的可能性。

        在当前的文献中，有几个众所周知的方向，我们将只在较高的水平上简要介绍。

        生成式对抗网络(GANs)对一个复杂分布的采样过程进行建模是 通过对抗的方式学习的。另一类生成模型，称为“基于可能性”，寻求学习一种给观察到的数据样本赋予高似然值的模型。这包括自回归模型、规范化流和 变分自动编码器(VAEs)。另一个类似的方法是以能源为基础的建模，其中将分布学习为任意灵活的