DDPM 和 DDIM 采样的实现 为了实现 DDPM（去噪扩散概率模型），首先需要定义一个噪声时间表，该时间表在固定步数（例如 1,000 步）内逐步向数据添加高斯噪声。训练一个神经网络（例如 U-Net）来预测每一步的噪声。在采样过程中，从纯噪声开始，通过应用训练好的模型迭代去噪。每一步都使用预测的噪声来更新样本，遵循马尔可夫链过程（每一步仅取决于前一步的状态）。例如，在 PyTorch 中，采样循环可能涉及从步长 T 反向迭代到 0，使用模型的预测计算每个反向扩散步长的均值和方差。
对于 DDIM（去噪扩散隐式模型），设置类似，但采样过程经过重塑以去除马尔可夫假设。DDIM 使用非马尔可夫前向过程，通过定义跳过中间步骤的轨迹来实现确定性采样。为此，需要在采样期间修改更新规则：不依赖于完整的马尔可夫链，而是使用步骤的子集（例如 50–100 步），并使用确定性修正项调整噪声预测。例如，可以从原始 DDPM 噪声时间表中每隔 k 步进行采样，并使用当前样本和模型预测的加权组合计算更新，这由超参数 η 控制（设置为 0 时表示完全确定性行为）。
采样的关键差异 主要区别在于采样速度和确定性。DDPM 需要所有步骤（例如 1,000 步）来生成样本，计算量较大。DDIM 解耦了训练和采样过程，通过更少的步骤（例如 50 步）实现更快生成，同时保持质量。例如，DDIM 可以通过利用学习到的噪声预测来近似中间状态，从而跳过步骤，将推理时间减少 10-20 倍。此外，DDIM 支持确定性采样（当 η=0 时），确保相同的噪声输入始终产生相同的输出，这对于重现性非常有用。相比之下，DDPM 的马尔可夫过程本质上是随机的，即使初始噪声固定也是如此。
何时使用哪种方法 当优先考虑样本质量而非速度时，应使用 DDPM，例如为离线应用生成高保真图像。其逐步去噪过程与训练目标紧密对齐，通常能产生更一致的结果。然而，对于实时应用（例如交互式工具），由于其更快的采样速度，DDIM 更可取。例如，使用 DDIM 在 50 步内生成一张 256x256 图像可能在 GPU 上需要 2 秒，而 DDPM 可能需要 20 秒。开发者还可以微调 DDIM 的 η 参数来平衡速度和样本多样性：较高的 η 值会引入随机性，在步数较少的情况下模仿 DDPM 的行为。这两种方法使用相同的训练流程，因此在它们之间切换通常只需要修改采样循环。