待验证50% 置信事实精确时间

DDPM沿用Transformer中的正弦位置编码，将时间步t转换为高维向量，再经过两层全连接映射到与特征图通道数匹配的维度，最后通过逐元素相加或FiLM方式调制各层特征。

1

来源数

50%

置信度

长期有效

时效性

2026/10/26

首次发现

来源

扩散模型入门：从DDPM原理到UNet实战代码

bilibili唐宇迪的AI课堂2026/10/9

涉及实体

DDPMconcept 位置编码concept

相关事实

待验证扩散模型中时刻t通过类似Transformer位置编码的正余弦编码转成向量，再与图像特征融合。70% 相似已验证LLM 的自回归生成特性决定其输出是逐 Token 的流式传输，源于 Transformer 架构的解码策略66% 相似已验证现代时序基础模型通常采用改进的Transformer架构，通过分离的注意力机制或通道混合模块分别建模时间维度和变量维度依赖66% 相似待验证NCM的第二阶段使用Transformer并行预测每个层级的离散码，且每个层级的预测都以前一层级为条件。66% 相似待验证原始DDPM将反向过程的方差设为固定值，但后续改进版本允许方差也可学习。65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1101526

API

curl https://kongchang.com/api/v1/knowledge/claims/1101526

MCP

get_claim(id=1101526)