什么是隐式扩散模型（LDM）

隐式扩散模型（Latent Diffusion Model，LDM）是一种基于潜在空间的扩散模型，通常是在像变分自编码器（VAE）或生成对抗网络（GANs）等先验模型的基础上构建的。这种模型通过将输入数据映射到一个低维的隐变量空间，并在该隐变量空间上进行扩散过程，从而简化计算并加速模型生成。

隐式扩散模型的一个关键特点是它采用非马尔可夫过程，这意味着其生成过程不是简单的马尔可夫链，而是可以对应于确定性的生成过程。这种方法使得隐式扩散模型能够更快地生成高质量样本。此外，隐式扩散模型还可以通过使用自编码器获取图像的高质量隐式表征，而非直接建模图像的像素，从而提高生成效率。

隐式扩散模型的一个具体实例是去噪扩散隐式模型（DDIM），它利用非马尔可夫的思想，以牺牲一小部分图片质量为代价，对图像生成过程大幅度加速。DDIM通过一个非马尔可夫的扩散过程实现相同的训练目标，从而产生能更快地生成高质量样本的隐式模型。

隐式扩散模型通过在潜在空间中进行扩散，简化了计算并加速了生成过程，同时保持了生成样本的质量。