本篇文章主要是对《Classifier-free diffusion guidance》文章的介绍以及笔记总结，介绍了Classifier-free针对Classifier Guidance遇到的问题提出了一个无需分类器就能使得FID与IS到达权衡的一个思想。并与其进行对比，再针对饱和度问题进行探讨。
本篇文章主要是对《Diffusion Models Beat GANs on Image Synthesis》文章的介绍以及笔记总结，另外介绍了该文章所改进的架构，使用了分类器指导思想以及上采样提高图像生成的分辨率。
本篇是扩散模型实战代码编写的第一篇，写这篇文章的初衷是在复现DDPM时，有些公式不能在pycharm中很好的用文字表达出来。故想着在markdown上可以把代码与公式给对应起来，方便自己理解与查看。本篇第一篇是将编写扩散模型当中加噪、去噪、训练以及采样所需要的公式或函数。后续将会更新扩散模型所用到的UNet等编写。这个系列也会逐步更新一系列扩散模型的代码，尽请期待。
本文依据《Score-Based Generative Modeling through Stochastic Differential Equations》的方法原理以及实验结论进行笔记以及总结。本篇文章先是介绍了何为分数以及基于朗之万动力学的采样过程。对后续的SDE模型的讲解进行一定的铺垫，文章提出了一个随机微分方程（SDE），通过缓慢注入噪声将复杂的数据分布平滑地转换为已知的先验分布，以及相应的逆时间SDE，通过缓慢去除噪声将先验分布转换回数据分布。
本文依据《Improved Denoising Diffusion Probabilistic Models》的方法原理以及实验结论进行笔记以及总结。本篇文章证明了通过一些修改，DDPM可以更快地采样并实现更好的对数似然，而对样本质量的影响很小。此外，作者还研究了 DDPM 如何随着可用训练计算量的变化而扩展，并发现更多的训练计算会带来更好的样本质量和对数似然。这些结果的结合使DDPM成为生成建模的一个有吸引力的选择，因为它们将良好的对数似然、高质量样本和相当快的采样与基础良好的固定训练目标结合起来，该目标可以通过训练计算轻松扩展。这些结果表明DDPMs是未来研究的一个有希望的方向。
本篇文章主要介绍扩散模型的加速采样的思想DDIM，本文依据《Denoising Diffusion Implicit Models》的公式推导，方法原理以及实验结论进行笔记以及总结。
