待验证50% 置信事实精确时间
2020年DDPM（Denoising Diffusion Probabilistic Models）在图像生成领域开创了通过逐步加噪—逐步去噪实现高质量生成的范式
1
来源数
50%
置信度
长期有效
时效性
2026/7/17
首次发现
来源
相关事实
已验证扩散模型的去噪过程基于DDPM原理，训练时向数据逐步添加高斯噪声，再训练神经网络学习逆向去噪80% 相似待验证Stable Diffusion 基于去噪扩散概率模型（DDPM）理论，将扩散过程从像素空间转移到低维潜在空间，由VAE负责编解码，CLIP模型将文本提示编码为语义向量79% 相似待验证扩散模型推理速度较慢，通常需要数十步去噪迭代才能生成一张图像，这催生了DDIM、DPM-Solver等加速采样算法77% 相似已验证Stable Diffusion基于潜在扩散模型（Latent Diffusion Model），通过在压缩的潜在空间中进行去噪过程来生成高质量图像75% 相似待验证扩散模型（Diffusion Model）是当前主流图像生成技术的基础，生成一张高质量图片需要执行数十到数百次去噪迭代运算73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/544289API
curl https://kongchang.com/api/v1/knowledge/claims/544289MCP
get_claim(id=544289)