导读
DDPM 证明 diffusion probabilistic models 可以达到高质量图像合成。与 GAN 的一次性生成不同，diffusion 把图像构造为逐步反演噪声的过程；这一范式随后成为 2022 以后文生图的主流基础。
查看大图 ↗所链接文献 PDF 的第 1 页，保留原图与原语言。页面版本以来源文件为准；后来的修订或重印日期不替代节点的历史日期。
Ho, Jain & Abbeel · 原文献 · 图像权利归原权利人；不视为开放许可
资料出处 · Denoising Diffusion Probabilistic Models ↗档案研究说明
通过逐步去噪形成图像。
ANTI-AI ARCHIVE · 修订 2026-10-02
研究方法与具体变化
DDPM把生成组织为学习逆转逐步加噪的过程。论文联系扩散概率模型、去噪得分匹配与采样，并在CIFAR-10和LSUN等数据集上报告图像实验。该研究不是文字生成图像产品，也不意味着扩散方法从2020年才开始存在。
本节依据: 去噪扩散概率模型：资料依据
在艺术史中的位置
它使一次成像可以理解为一系列修正步骤，为后来条件引导、潜在扩散与采样加速提供了研究背景。作品分析也因此需要关注采样过程，而不仅是最终输入文字：步骤、条件与随机起点共同参与图像形成。
本节依据: 去噪扩散概率模型：资料依据
正文引用资料
核读作者或会议页面的摘要与版本记录；未通读全部证明或复现实验。
本篇按引用范围扩写档案说明；研究解释不应被理解为原作者的自述或已证实的因果影响。 正文与译文使用 AI 辅助，尚未经独立人工审校；分节引文标明依据，不代表已独立验证全部史实。
带着问题继续阅读
比较本条与扩散模型超越生成对抗网络之间的制作方法、控制方式或展示语境。
比较本条与潜在扩散模型之间的制作方法、控制方式或展示语境。
日期与版本记录
节点标注日期：2020 · 来源记录的历史日期：2020
以上日期属于历史事件或资料所记版本，不是本站页面的上线日期；保留原有日期精度与待核事项。
原始资料与进一步阅读
以下链接通往来源的论文、文章、机构或会议页面。外部原文的语言以来源为准。
出处、翻译与核验状态
主线节点 #110 · 历史节点
研究资料与补充出处 · 1
AI 艺术谱系研究母版 · p. 21 · 069
原记日期: 2020
去噪扩散概率模型 ↗
Denoising Diffusion Probabilistic Models
站内说明依据所列研究资料撰写，非外链全文译本；AI 辅助翻译，待独立人工审校。
母版研究论述与日期尚待独立核验。
引用本节点
ANTI-AI ARCHIVE. 去噪扩散概率模型. 艺术史节点 #110. https://salondesrefuses.cn/zh/art-history/069
引用具体史实时，请同时引用上方原始资料，并补充你的访问日期。本站说明不是外链全文译本。
相邻节点按时间顺序排列，不意味着二者存在直接影响或因果关系。