Denoising Diffusion Probabilistic Model (DDPM) to klasa generatywnych modeli probabilistycznych, które tworzą nowe dane poprzez stopniowe usuwanie szumu z losowych sygnałów. Proces ten polega na najpierw powolnym dodawaniu szumu Gaussa do danych w procesie dyfuzji w przód, a następnie nauce odwracania tego procesu. Model przekształca czysty szum w spójne dane wyjściowe, takie jak wysokiej jakości obrazy czy dźwięki. DDPM charakteryzują się wyjątkową stabilnością treningu i wysoką jakością generowanych próbek.
Źródło: arxiv.org
