Diffusion 学习路径指南!

目录

• Diffusion 学习路径梳理
  • 1. Diffusion Models 入门教程推荐
    • 🧑‍🏫 基础入门教程
    • 📚 应用与综述
  • 2. Diffusion Models 基础入门必读
    • 📌 核心论文
    • ⚙️ 采样与加速
    • 🧠 潜空间建模
  • 3. Diffusion Models 进阶阅读
    • 🔍 Guidance（引导机制）
    • 🔁 Flow Matching 方法
    • 🚀 Rectified Flow 及改进
    • 🔗 Schrödinger Bridge 方法
    • 🔄 Consistency 模型

Diffusion 学习路径梳理

本博客旨在系统梳理 Diffusion 模型的学习路径，构建清晰的学习框架，便于本科生和研究生初学者快速入门并逐步进阶。

---

1. Diffusion Models 入门教程推荐

适合初学者阅读，内容通俗易懂、涵盖基础与前沿：

🧑‍🏫 基础入门教程

• Tutorial on Diffusion Models for Imaging and Vision
  对 Diffusion 各类公式进行了系统汇总，并分析了与 VAE 等其他生成模型的联系。

• Understanding Diffusion Models: A Unified Perspective
  从 deterministic sampler 角度出发，进一步引入 flow matching，兼具基础与前沿性。

• Step-by-Step Diffusion: An Elementary Tutorial
  逐步拆解 diffusion 原理，深入浅出，适合快速构建基本认知。

📚 应用与综述

• Diffusion Models: A Comprehensive Survey of Methods and Applications
  对 Diffusion 各种应用方向进行了全面总结，适合查阅使用场景。

---

2. Diffusion Models 基础入门必读

📌 核心论文

• DDPM: Denoising Diffusion Probabilistic Models
  虽非最早提出 Diffusion 思路，但首次实现并获得成功，意义重大。

• NCSN: Generative Modeling by Estimating Gradients of the Data Distribution
  使用 score matching 来估计数据分布梯度，开启了 score-based 模型的路径。

• Score-SDE: Score-Based Generative Modeling through Stochastic Differential Equations
  用 SDE 统一前两类方法，为 diffusion 提供了坚实理论基础。

• EDM: Energy-Based Generative Modeling with Diffusion Processes
  从 noise schedule 入手，统一现有 Diffusion 模型框架。

⚙️ 采样与加速

• DDIM: Denoising Diffusion Implicit Models
  跳步采样技术，摆脱马尔科夫链，显著提升采样速度。

• DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Models
  另一种采样加速方式，基于 ODE 视角。

🧠 潜空间建模

• Latent Diffusion（LDM）:
  • Score-based Generative Modeling in Latent Space
    引入 encoder-decoder，将 Diffusion 模型迁移至 latent space。
  • High-Resolution Image Synthesis with Latent Diffusion Models
    即 Stable Diffusion 原始论文，进一步优化模块训练流程，提高图像质量。

---

3. Diffusion Models 进阶阅读

🔍 Guidance（引导机制）

• Diffusion Models Beat GANs on Image Synthesis
• Classifier-Free Diffusion Guidance

🔁 Flow Matching 方法

• Flow Matching for Generative Modeling

🚀 Rectified Flow 及改进

• Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow
• Improving the Training of Rectified Flows

🔗 Schrödinger Bridge 方法

• Likelihood Training of Schrödinger Bridge using Forward-Backward SDEs Theory

🔄 Consistency 模型

• Consistency Models

---

如有补充推荐或建议，欢迎交流！🌱