先理解潜空间
VAE 把数据映射到连续潜变量，为后来的潜空间生成提供直觉。
扩散模型论文学习路径
从 DDPM 读懂扩散模型与 Stable Diffusion
扩散模型把生成过程写成一条逐步加噪、再学习逆向去噪的链。DDPM 证明这条路线能稳定地产生高质量图像；Latent Diffusion 把计算从像素空间搬到压缩潜空间，才让高分辨率文生图的成本更实用。理解 VAE 的潜空间和 GAN 的对抗式生成，可以看清扩散模型到底解决了什么。
四篇论文组成的生成模型路线
比较 GAN 与 DDPM
GAN 用生成器和判别器对抗训练；DDPM 学习逐步去噪，通常更稳定但采样更慢。
走向 Stable Diffusion
Latent Diffusion 在压缩表示上做扩散，并加入条件控制，成为 Stable Diffusion 的论文基础。
扩散模型前后的四篇关键论文
按时间阅读，可以分清潜空间、对抗训练、像素扩散和潜空间扩散各自解决的问题。
- 01
- 02
- 03
- 04
High-Resolution Image Synthesis with Latent Diffusion Models
把扩散过程搬到压缩潜空间，让高分辨率文生图在成本上真正可用。
FAQ
扩散模型论文常见问题
Stable Diffusion 对应哪篇论文？
它的核心论文基础是《High-Resolution Image Synthesis with Latent Diffusion Models》，该工作把扩散过程放进压缩潜空间。
DDPM 为什么要先加噪再去噪？
前向加噪把复杂数据分布逐步变成简单噪声；模型学习逆向过程，在每一步预测并移除噪声，最终从随机噪声生成样本。
扩散模型和 GAN 有什么区别？
GAN 通过生成器与判别器的博弈学习，采样快但训练可能不稳定；扩散模型训练通常更稳定、覆盖更好，但需要多步采样。