DDIM
Denoising Diffusion Implicit Models (DDIM) by Jiaming Song, Chenlin Meng and Stefano Ermon.
The abstract from the paper is
去噪扩散概率模型（DDPM）在没有对抗训练的情况下就实现了高质量图像生成，但它们需要模拟马尔可夫链以生成样本，需要很多步骤。为了加速采样，我们提出了去噪扩散隐式模型（DDIM），这是一种更高效的迭代隐式概率模型类别，其训练过程与 DDPM 相同。在 DDPM 中，生成过程被定义为马尔可夫扩散过程的逆过程。我们构建了一类非马尔可夫扩散过程，它们导致相同的训练目标，但其逆过程的采样速度要快得多。我们通过实验证明，与 DDPM 相比，DDIM 可以以快 10 倍到 50 倍的速度生成高质量样本，使我们能够在计算量和样本质量之间进行权衡，并且能够在潜在空间中直接执行语义上有意义的图像插值。
The original codebase can be found at ermongroup/ddim.
DDIMPipeline
class diffusers.DDIMPipeline
< source >( unet scheduler )
Parameters
- unet (UNet2DModel) — 用于对编码的图像潜在表示进行去噪的
UNet2DModel。 - scheduler (SchedulerMixin) — 与
unet一起使用的调度器，用于对编码的图像进行去噪。可以是 DDPMScheduler 或 DDIMScheduler 之一。
用于图像生成的管道。
此模型继承自 DiffusionPipeline。查看超类文档以获取为所有管道实现的通用方法（下载、保存、在特定设备上运行等）。
__call__
< source >( batch_size: int = 1 generator: Union = None eta: float = 0.0 num_inference_steps: int = 50 use_clipped_model_output: Optional = None output_type: Optional = 'pil' return_dict: bool = True ) → ImagePipelineOutput or tuple
Parameters
- batch_size (
int, optional, defaults to 1) — 要生成的图像数量。 - generator (
torch.Generator, optional) — 一个torch.Generator，用于使生成确定性。 - eta (
float, optional, defaults to 0.0) — 对应于 num_inference_steps (int, 可选, 默认值 50) — 降噪步骤数。更多降噪步骤通常会导致更高质量的图像，但会牺牲推理速度。 - use_clipped_model_output (
bool, 可选, 默认值None) — 如果为True或False，请参见 DDIMScheduler.step() 的文档。如果为None，则不会将任何内容传递到下游调度器（对于不支持此参数的调度器，请使用None）。 - output_type (
str, 可选, 默认值"pil") — 生成的图像的输出格式。在PIL.Image或np.array之间选择。 - return_dict (
bool, 可选, 默认值True) — 是否返回 ImagePipelineOutput 而不是普通元组。
返回值
ImagePipelineOutput 或 元组
如果 return_dict 为 True，则返回 ImagePipelineOutput，否则返回一个 元组，其中第一个元素是包含生成图像的列表。
管道用于生成的调用函数。
示例
>>> from diffusers import DDIMPipeline
>>> import PIL.Image
>>> import numpy as np
>>> # load model and scheduler
>>> pipe = DDIMPipeline.from_pretrained("fusing/ddim-lsun-bedroom")
>>> # run pipeline in inference (sample random noise and denoise)
>>> image = pipe(eta=0.0, num_inference_steps=50)
>>> # process image to PIL
>>> image_processed = image.cpu().permute(0, 2, 3, 1)
>>> image_processed = (image_processed + 1.0) * 127.5
>>> image_processed = image_processed.numpy().astype(np.uint8)
>>> image_pil = PIL.Image.fromarray(image_processed[0])
>>> # save image
>>> image_pil.save("test.png")ImagePipelineOutput
class diffusers.ImagePipelineOutput
< 源代码 >( images: Union )
图像管道的输出类。