DDPM (Denoising Diffusion Probabilistic Model)
DDPM ist das grundlegende Framework für Diffusionsmodelle, das Bilder durch schrittweises Entrauschen aus reinem Rauschen generiert.
DDPM generiert Bilder durch schrittweises Entrauschen – das theoretische Fundament hinter Stable Diffusion, DALL-E und allen modernen Bildgeneratoren.
Erklärung
Im Forward-Prozess wird schrittweise Gaußsches Rauschen hinzugefügt bis nur noch Noise übrig ist. Im Reverse-Prozess lernt ein U-Net, das Rauschen schrittweise zu entfernen. Typisch sind 1000 Forward-Steps und 20-50 Sampling-Steps mit beschleunigten Solvern.
Relevanz für Marketing
DDPM ist die theoretische Basis aller modernen Bildgeneratoren – Stable Diffusion, DALL-E, Midjourney bauen auf DDPM-Prinzipien auf.
Beispiel
Stable Diffusion 1.5 verwendet ein DDPM-basiertes U-Net im Latent Space mit CLIP Text-Encoder für Text-konditionierte Generierung.
Häufige Fallstricke
Langsames Sampling (viele Steps nötig). Hohe VRAM-Anforderungen. Mode Collapse bei schlechtem Training. Forward/Reverse-Prozess oft verwechselt.
Entstehung & Geschichte
Sohl-Dickstein et al. (2015) führten diffusions-basierte generative Modelle ein. Ho et al. (2020) machten sie mit dem DDPM-Paper praktisch nutzbar und übertrafen GANs in Bildqualität. Dhariwal & Nichol (2021) zeigten mit "Diffusion Models Beat GANs" die Überlegenheit. DDPM wurde zur Basis für Stable Diffusion, DALL-E 2 und Imagen.
Abgrenzung & Vergleiche
DDPM (Denoising Diffusion Probabilistic Model) vs. GAN
GANs nutzen adversariales Training (instabil, Mode Collapse); DDPM nutzt stabiles Likelihood-basiertes Training mit besserem Mode Coverage.
DDPM (Denoising Diffusion Probabilistic Model) vs. DDIM
DDPM ist stochastisch und braucht viele Steps; DDIM ist deterministisch und kann mit weniger Steps (10-20) vergleichbare Qualität erreichen.