DDIM 取樣（denoising diffusion implicit models）

原始的擴散取樣器必須爬過數百個微小的隨機步驟，相當緩慢。DDIM 是一種不必重新訓練模型，就能用寥寥幾個確定性步驟得到同類樣本的方法。訣竅在於把同一個訓練好的雜訊預測器，透過另一個不同的、非馬可夫的生成過程重新詮釋：其邊際仍與訓練相符，但轉移可被設成確定性的，並跳過許多中間的雜訊層級。

在每一步，DDIM 先用雜訊預測直接估出乾淨資料，再把這個估計沿選定的排程重新加雜訊到下一個較低的雜訊層級。一個變異參數在兩個極端之間插值：一端是完全隨機的 DDPM 鏈，另一端是完全確定的更新。在確定性極限下，DDIM 恰好是機率流 ODE 的歐拉離散化，這正是它能用大步長、並對每個生成樣本給出有意義且可逆的潛在編碼的原因。

確定性讓 DDIM 成為編輯與反演的實用預設：由於雜訊到影像的映射是固定函數，你可以把一張真實影像編碼成它的潛在表示、加以操弄、再解碼回來，也可以透過對潛在表示插值在樣本之間平滑過渡。