DDPM：Denoising Difussion Probabilistic Model去噪扩散概率模型
Diffusion Models 的灵感来自non-equilibrium thermodynamics（非平衡热力学）。理论首先定义扩散步骤的马尔可夫链，以缓慢地将随机噪声添加到数据中，然后学习逆向扩散过程以从噪声中构造所需的数据样。
U-Net
从而，网络的训练流程为：
我们接受一个随机的样本
；
我们随机从 1 到 T 采样一个 t；
我们从高斯分布采样一些噪声并且施加在输入上；
网络从被影响过后的噪声图片学习其被施加了的噪声。
需要将步数 t 也编码并传入网络之中。DDPM采用正弦位置编码（Sinusoidal Positional Embeddings）。这一方法的输入是shape为 (batch_size, 1) 的 tensor，也就是batch中每一个sample所处的t ，并将这个tensor转换为shape为 (batch_size, dim) 的 tensor。这个tensor会被加到每一个残差模块中。
非平衡热力学
“nonequilibrium thermodynamics”（非平衡热力学）指的是一门研究物理系统在不处于平衡状态时的行为和规律的科学。在非平衡热力学中，系统不是静态的，而是在持续变化中，例如温度、压力或化学成分在时间和空间上的变化。这种热力学分析常应用于研究复杂系统如何在不同状态之间转换，尤其是那些涉及能量传递和物质转移的过程。
在扩散概率模型的背景下，这种启发可能具体指的是：
系统状态的演化：模型可能考虑了系统状态如何随时间演变，类似于非平衡热力学中研究的动态系统。
随机性和熵的增加：非平衡热力学关注系统在不稳定状态下如何向熵增的方向发展，类似的，扩散模型可能在模拟数据生成时引入随机扰动，使得生成的数据逐渐从无序状态向有序状态转变，或者模拟从高噪声状态向清晰状态的转变。---熵增定律、往无序的方向发展。
渐进式有损解压缩方案
渐进式有损解压缩方案：所谓“渐进式”，指的是数据（例如图像或音频）从压缩或低质量状态逐步恢复到高质量状态的过程。在这个过程中，数据质量逐渐提升，每一步都会添加更多的细节。这与我们平时观看在线视频时，视频从模糊到清晰的加载过程相似。“有损”则意味着在这个解压缩过程中，某些原始数据可能会丢失，不会完全恢复原始状态ÿ
