AIGC 算法工程师面试八股文全解析：Diffusion Models 原理、推导与实战要点

文章目录

• • 八股文
  • • 1、简述DDPM的算法原理
    • 2、什么是重参数化技巧？Diffusion Models和VAE中的重参数化技巧是如何使用的？
    • • VAE中的重参数化技巧
      • Diffusion Models中的重参数化技巧
    • 3、什么是马尔可夫过程？DDPM中的马尔可夫链是如何定义的？
    • • 马尔可夫过程
      • DDPM马尔可夫链
    • 4、为什么DDPM前向过程中前期加噪少，后期加噪多？
    • 5、VAE和Diffusion Models中的变分推断是什么？
    • • VAE中的变分推断
      • Diffusion Models中的变分推断
    • 6、Negative Prompt实现的原理是什么？
    • 7、简述Diffusion Models、VAE之间的区别和联系
  • **前向过程的学习性**：**前向过程的学习性**：
  • • 8、简述Diffusion Models与GANs之间的区别和联系
    • 9、DDIM是怎样加速采样的(简述DDIM的原理)？
    • • 1. 前向过程可以是非马尔科夫过程 (Non-Markovian Process)
      • 2. 子序列加速采样 (Subsequence Sampling)
    • 10、什么是基于分数的生成模型？
    • • 什么是“分数”？
      • 为什么学习分数？
      • 生成过程：朗之万动力学（Langevin Dynamics）
      • 噪声条件下的分数匹配
      • SGM与DDPM的等价性
    • 11、在Diffusion中常见的条件注入的方法有哪些？
    • • 1. Class Guidance (分类器指导)
      • 2. Classifier-free Guidance (无分类器指导)
      • 3. CLIP Guidance (CLIP指导)
    • 12、Stable Diffusion中是如何注入文本信息的？
    • 13、Latent diffusion相比DDPM有哪些改进？
    • • 1. 核心改进：从像素空间到潜在空间（Pixel Space to Latent Space）
      • 2. 引入Cross-Attention机制进行条件引导
    • 14、Diffusion是如何添加timestep信息的？
    • 15、什么是noise scheduler (扩散模型中的参数\$\alpha\_t\$和\$\beta\_t\$分别代表什么)？
    • • β _ t \beta\_tβ_t(Beta): 噪声方差
      • α _ t \alpha\_tα_t(Alpha): 信号保留因子
      • α ˉ _ t \bar{\alpha}\_tαˉ_t(Alpha Bar): 累计信号保留因子
      • 为什么要有系数β _ t \beta\_tβ_t和α _ t \alpha\_tα_t？
    • 16、Cos Noise scheduler有什么优点？
    • • Cosine Noise Scheduler 的公式（简化表示）：
      • Cosine Noise Scheduler 的优点：
  • \*\*在早期时间步保持更高的信噪比（SNR）和更多细节：\*\***在早期时间步保持更高的信噪比（SNR）和更多细节：**