1. 研究背景、动机、主要贡献
在 DDPM 中，生成过程被定义为特定马尔可夫扩散过程的逆过程。
本方法通过一类非马尔可夫扩散过程来推广 DDPM。 这些非马尔可夫过程可以对应于确定性的生成过程，从而产生能够更快地生成高质量样本的隐式模型。
2. 论文提出的新方法
VARIATIONAL INFERENCE FOR NON-MARKOVIAN FORWARD PROCESSES
DDPM 论文中：
本文（DDIM)：
根据
SAMPLING FROM GENERALIZED GENERATIVE PROCESSES
DENOISING DIFFUSION IMPLICIT MODELS
当
我们将其命名为去噪扩散隐式模型，因为它是使用 DDPM 目标训练的隐式概率模型（尽管前向过程不再是扩散）。
ACCELERATED GENERATION PROCESSES
DDLM是利用马尔可夫过程，所以要依赖前面的状态。但是本方法不依赖前面的状态，就可以加速。
此外，本文是在 Improved Denoising Diffusion Probabilistic Models 基础上实现的加速（引入子序列进行采样）
3. 论文实验评估方法与效果
随着时间步数的增加，样本质量提高。
DDIM（η=0）在较短的步数下就能得到比较好的效果，媲美DDPM（η=1）的生成效果。
DDIM 能够在 20 到 100 个步骤内生成质量与 1000 个步骤模型相当的样本，与原始 DDPM 相比，速度提高了 10 到 50 倍。