扩散模型入门难？推荐这些资料帮你

当一个领域蓬勃发展时，通常会有众多博主和内容创作者推出入门教程。这乍一看是给初学者带来了方便，可实际上却可能让他们陷入迷茫。各种各样的教程摆在面前，很多初学者在选择时十分纠结，不知道到底哪一个教程才契合自己。有些教程可能看到一半就发觉内容含糊不清，或者与自己的需求不符，于是只能放弃学习，重新去找新的教程。如此这般不断重复，初学者常常很久都无法完成入门。扩散模型就是一个很典型的例子。在图像生成领域，扩散模型作为一项新兴的当红技术，凭借自身卓越的生成能力吸引了大量目光。然而，由于其背后有着复杂的数学形式，能把它讲解得通俗易懂的教程寥寥无几。这就使得初学者在学习的时候更容易感到困惑，甚至直接被吓退。为了助力初学者更有效地理解扩散模型，在此精心为大家推荐几份入门资料。虽然推荐的资料数量不多，但它们涵盖了扩散模型的核心概念与应用，足以让大家顺利入门并且打下坚实的基础。扩散模型的数学基础主要是概率论，就理解DDPM而言，只需了解一小部分关于正态分布的知识就可以了。可以先看看一文带你看懂DDPM和DDIM（含原理简易推导，pytorch代码）中的前置知识（概率、统计、马尔可夫链）。顺便给大家推荐一本机器学习数学基础的书籍——雷明著的机器学习的数学，在看论文遇到不熟悉的数学知识时，翻一翻这本书基本就能找到答案。在这一步，只需要了解经典的DDPM方法，推荐按照如下顺序查看：看完前面的内容后，基本上就对扩散的基础模型有所了解了，这个时候就需要进一步去了解扩散模型的各个研究方向。要是你想将其应用起来，例如想用扩散模型生成一些样本以辅助自己的任务，那你可以去了解Stable Diffusion，它能够生成高质量的图像，此时你只需要：要是你想进行生成模型的研究，那就需要深入了解扩散模型的各种变体，比如怎样加速采样从而快速生成图像，如何实现精细的可控生成等等。这里可以看一些综述论文，找到自己感兴趣的方向后，就像学习Stable Diffusion那样去了解细节。这里推荐kylin的总结文章Diffusion学习路径记录（2023年）。资料重在精而不在多，我个人觉得前面提到的文献用来入门是足够了，但要是想深入理解的话，可能难免会有些浅尝辄止，视角也会稍显单一。为了拓宽思路、加深见解，特别推荐几篇经典文献以供深入学习：