文章目录
- 八股文
- 1、简述DDPM的算法原理
- 2、什么是重参数化技巧？Diffusion Models和VAE中的重参数化技巧是如何使用的？
- VAE中的重参数化技巧
- Diffusion Models中的重参数化技巧
- 3、什么是马尔可夫过程？DDPM中的马尔可夫链是如何定义的？
- 马尔可夫过程
- DDPM马尔可夫链
- 4、为什么DDPM前向过程中前期加噪少，后期加噪多？
- 5、VAE和Diffusion Models中的变分推断是什么？
- VAE中的变分推断
- Diffusion Models中的变分推断
- 6、Negative Prompt实现的原理是什么？
- 7、简述Diffusion Models、VAE之间的区别和联系
- **前向过程的学习性**：**前向过程的学习性**：
- 8、简述Diffusion Models与GANs之间的区别和联系
- 9、DDIM是怎样加速采样的(简述DDIM的原理)？
- 1. 前向过程可以是非马尔科夫过程 (Non-Markovian Process)
- 2. 子序列加速采样 (Subsequence Sampling)
- 10、什么是基于分数的生成模型？
- 什么是“分数”？
- 为什么学习分数？
- 生成过程：朗之万动力学（Langevin Dynamics）
- 噪声条件下的分数匹配
- SGM与DDPM的等价性
- 11、在Diffusion中常见的条件注入的方法有哪些？
- 1. Class Guidance (分类器指导)
- 2. Classifier-free Guidance (无分类器指导)
- 3. CLIP Guidance (CLIP指导)
- 12、Stable Diffusion中是如何注入文本信息的？
- 13、Latent diffusion相比DDPM有哪些改进？
- 1. 核心改进：从像素空间到潜在空间（Pixel Space to Latent Space）
- 2. 引入Cross-Attention机制进行条件引导
- 14、Diffusion是如何添加timestep信息的？
- 15、什么是noise scheduler (扩散模型中的参数\$\alpha\_t\$和\$\beta\_t\$分别代表什么)？
- β _ t \beta\_tβ_t(Beta): 噪声方差
- α _ t \alpha\_tα_t(Alpha): 信号保留因子
- α ˉ _ t \bar{\alpha}\_tαˉ_t(Alpha Bar): 累计信号保留因子
- 为什么要有系数β _ t \beta\_tβ_t和α _ t \alpha\_tα_t？
- 16、Cos Noise scheduler有什么优点？
- Cosine Noise Scheduler 的公式（简化表示）：
- Cosine Noise Scheduler 的优点：
- \*\*在早期时间步保持更高的信噪比（SNR）和更多细节：\*\***在早期时间步保持更高的信噪比（SNR）和更多细节：**
这份教程旨在深入探讨AIGC领域的核心技术，特别是围绕Diffusion Models及其生态展开。我们将基于《沉迷单车的追风少年》的面试八股文框架，对其每一个知识点进行细致入微的剖析和扩展，不仅解释“是什么”，更着重阐明“为什么”和“怎么做”。准备好了吗？让我们一起踏上这场深度学习的探索之旅！✨
八股文
1、简述DDPM的算法原理
DDPM（Denoising Diffusion Probabilistic Models，去噪扩散概率模型）是一种强大的生成模型，它通过模拟一个**扩散过程（Forward Process）和逆扩散过程（Reverse Process）**来学习数据的复杂分布，并最终生成高质量的新样本。你可以将其想象成一个“捣蛋”与“修复”的游戏：
| 阶段 | 过程名称 | 目标 | 核心思想 | 关键挑战 |
| :------- | :-------------------------- | :-------------------------- | :-------------------------------------------- | :-------------------------------------------
