从DDPM到DDIM：扩散模型加速采样的秘密都在这个超参数里

从DDPM到DDIM：揭秘扩散模型加速采样的核心超参数

1. 扩散模型演进：从马尔可夫链到隐式概率建模

2015年，当Diederik Kingma首次提出变分扩散模型时，很少有人预料到这个框架会在几年后彻底改变生成式AI的格局。扩散模型的核心思想其实非常直观——通过逐步添加噪声破坏数据分布，再学习逆向去噪过程。但直到2020年Ho等人提出DDPM（Denoising Diffusion Probabilistic Models），这个领域才真正迎来爆发。

传统DDPM采用严格的马尔可夫链结构，这意味着：

• 前向过程：每个时间步的加噪仅依赖前一步状态
• 反向过程：去噪也必须严格遵循时间步顺序
• 采样效率：需要完整执行1000步计算才能获得优质样本

# 典型DDPM采样伪代码
def ddpm_sample(model, x_T, T=1000):
    for t in reversed(range(T)):  # 必须顺序执行
        x_t = model(x_{t+1}, t)   # 每一步都依赖上一步结果
    return x_0

这种设计带来了两个关键限制：

1. 计算成本高：生成单张图像需要数百次神经网络前向计算
2. 灵活性差：无法跳过中间步骤或调整采样轨迹

2021年，Song等人提出的DDIM（Denoising Diffusion Implicit Models）通过引入非马尔可夫假设打破了这些限制。其核心突破在于发现：

扩散过程不必严格遵循马尔可夫链，只要保证边缘分布q(x_t|x_0)一致，就可以重构出更高效的采样路径

2. 魔法参数η：平衡速度与质量的支点

DDIM的核心创新是引入了一个超参数η（