DDPM (Denoising Diffusion Probabilistic Models)

DDPM (Denoising Diffusion Probabilistic Models) — класс генеративных моделей, которые используют процесс диффузии для моделирования шума в изображениях.  

Основная идея DDPM заключается в том, чтобы моделировать шум в изображениях как процесс диффузии, а затем использовать эту модель для генерации высококачественных изображений и удаления шума.  

Обучение DDPM состоит из двух основных фаз:

1. Прямой процесс. Модель берёт реальные данные и добавляет к ним шум за несколько шагов, создавая серию всё более шумных изображений. Каждый шаг определён математически, что позволяет модели научиться эффективно создавать распределение шума. 
2. Обратный процесс. Модель использует нейронную сеть для постепенного предсказания и удаления шума.  

Одно из значительных преимуществ DDPM — способность создавать высококачественные и разнообразные выходные данные, которые часто сопоставимы с другими ведущими генеративными моделями, такими как Generative Adversarial Networks (GANs).  

DDPM успешно используются для генерации реалистичных изображений, кадров видео и даже звуковых образцов.