DDPM（Denoising Diffusion Probabilistic Models）是一種基於深度學習的機率生成模型，旨在通過模仿信號在噪聲環境中的擴散和逆向還原過程，實現從純粹噪聲生成真實圖像。它屬於擴散模型的一種，包含兩個主要過程：加噪過程和去噪過程。加噪過程通過對輸入數據不斷添加高斯噪聲，將數據逐步轉換為純噪聲；而去噪過程則是從標準高斯分布中逐步逆轉這一過程，最終得到生成的樣本數據。
DDPM的核心架構通常基於U-Net，這是一種特殊的神經網路結構，能夠處理不同時間步長的數據。在訓練過程中，模型首先學習從純噪聲恢復圖像的能力。隨著時間的推移，模型能夠從更接近原始數據的噪聲中生成圖像。這種方法與傳統的生成對抗網路（GANs）和變分自編碼器（VAEs）不同，它通過最佳化方式逐步生成圖像，而不是直接對抗或推斷。
DDPM的成功關鍵在於將生成過程拆解成許多小步驟，例如1000步，每一步只生成一點點。這樣，模型只需要關注每一步的細微調整，就能完成整個生成過程。這種方法不僅提高了生成的圖像質量，也使得訓練過程更加穩定和高效。