图像创作 · 扩散模型原理基础
DDPM中的马尔可夫链是如何定义的?介绍一下DDPM的前向扩散过程和反向去噪过程
原题介绍一下DDPM中的重参数技巧（进阶）
原题DDPM训练目标中的各个损失函数代表什么含义？各自解决什么问题？
原题DDPM是预测噪声还是预测图像？为什么加噪幅度是不一致的？除了高斯噪声，能否使用其他的加噪方式？
原题DDPM是如何添加Timestep信息的?
原题训练DDPM时，当Loss收敛后是否意味着训练应该结束？
原题介绍一下DDIM的核心原理，解决了DDPM存在的什么问题？
原题DDIM是如何加速采样的?
原题DDIM是不是确定性生成？为什么？
原题什么是DDIM反演（DDIM Inversion）？其在图像编辑中的核心作用是什么？
原题介绍一下SDE框架的原理，为什么SDE框架能统一DDPM与score-based model？
原题SDE框架下VP/VE/sub-VP三类噪声过程的差异是什么？
原题Probability Flow ODE与reverse-time SDE的关系是什么？各自适用场景是什么？
原题基于SDE的predictor-corrector采样为什么能提升质量？代价是什么？
原题介绍一下Classifier Guidance的原理
原题介绍一下Classifier-Free Guidance的原理，和Classifier Guidance有哪些区别？
原题CFG scale 为什么过大会导致过饱和/失真？如何在可控性与真实性之间调参？
原题Negative Prompt在CFG中的本质作用是什么？
原题CFG在多模态条件生成中是否有统一解释框架？
原题介绍一下Flow Matching （FM）的原理
原题介绍一下Rectified Flow的原理，与Flow Matching有什么样的联系与区别？
原题Stable Diffusion/FLUX对Rectified Flow的采样方法做了哪些优化？
原题本段“采样”指训练时选择时间步 t 的分布，不是推断求解器。
为什么SD 3最终选择了Logit-Normal？
原题Rectified Flow 与传统扩散模型（score matching）的训练目标本质差异是什么？
原题为什么 Rectified Flow 常被认为在少步采样下更有优势？
原题扩散模型主流的采样方法有哪些？不同采样方法的优缺点是什么？
原题首先很多读者可能不太理解，扩散模型为什么需要“采样”？
原题那么一次完整的去噪步骤是怎么样的呢？
原题扩散模型主流采样方法的采样器（sampler）与噪声调度器（scheduler）如何设计？
原题采样器增加采样步数会有什么影响?相同步数下，不同采样器的性能有何差异？
原题在实际部署中，如何做好“速度-质量-稳定性”三目标平衡的采样策略？
原题从似然建模角度看，Diffusion、VAE、GAN 的优化目标有何本质差异？
原题在工业落地中，何时优先选择 Diffusion，何时选择 GAN 或 VAE？
原题与Pixel Diffusion相比，为什么Latent Diffusion能显著降低训练与推理成本？代价是什么？
原题与Latent Diffusion相比，Pixel Diffusion 在哪些任务上仍有优势？
原题从信息压缩角度看，Latent Diffusion潜空间会如何影响最终可生成细节上限？
原题
暂无题目