待验证50% 置信事实精确时间
扩散模型的理论基础由 Song Yang 等人在 2020 年通过随机微分方程（SDE）框架统一阐明，概率流 ODE 的发现使确定性采样成为可能，催生了 DDIM 等加速采样方法，将采样步数从 1000 步压缩至 10-50 步
1
来源数
50%
置信度
长期有效
时效性
2026/7/21
首次发现
来源
相关事实
待验证Yang Song等人将扩散过程统一在连续时间随机微分方程框架下，提出Score-based生成模型77% 相似待验证2020年后兴起的扩散模型（Diffusion Models）直接建立在随机微分方程与概率流的数学框架之上74% 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73% 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73% 相似待验证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73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/575973API
curl https://kongchang.com/api/v1/knowledge/claims/575973MCP
get_claim(id=575973)