DDIM（去噪扩散隐式模型）基于扩散类生成模型，但引入了关键的理论修改以提高采样效率。像 DDPM（去噪扩散概率模型）这样的传统扩散模型模拟了逐步向数据添加噪声的马尔可夫链，然后学习反转此过程。然而，使用 DDPM 生成样本需要数百甚至数千步，计算成本高昂。DDIM 通过将扩散过程重新定义为非马尔可夫链来解决这个问题，从而可以在不牺牲样本质量的情况下使用更少的步骤。这通过将训练目标与采样过程解耦来实现，从而能够进行确定性或部分确定性的生成路径，跳过中间步骤。
DDIM 的核心创新在于其非马尔可夫正向过程和确定性逆向过程。与 DDPM 不同的是，DDPM 中每一步仅依赖于先前的状态（马尔可夫假设），而 DDIM 允许步骤依赖于多个先前的状态。这种灵活性源于使用微分方程框架重新参数化扩散过程。例如，DDIM 将逆向过程视为求解将噪声映射回数据的常微分方程 (ODE)。通过固定噪声计划和方差参数（而不是学习它们），DDIM 简化了采样轨迹。这种确定性方法确保相同的潜在变量产生相同的输出，从而实现了潜在空间中一致插值等功能。例如，开发者可以通过插值两个图像的潜在编码来平滑过渡，这在随机 DDPM 采样中更难实现。
从实际角度来看，DDIM 保留了与 DDPM 相同的训练过程，这意味着现有的扩散模型可以在不重新训练的情况下适应使用 DDIM 采样。这种兼容性对开发者至关重要：使用 DDPM 的噪声预测目标训练的模型可以使用 DDIM 的基于 ODE 的采样更快地生成样本。例如，使用 DDIM 生成高质量图像可能需要 50 步，而使用 DDPM 则需要 1000 步。权衡在于由于确定性特性导致样本多样性略有损失，但质量保持可比。DDIM 的理论框架还引入了“采样轨迹”的概念，开发者可以通过调整步骤数量或噪声计划来平衡速度和质量。这使得 DDIM 成为需要快速迭代的应用（例如实时图像编辑或设计原型制作）的多功能工具。