系列报告

扩散生成模型能够生成与训练数据分布高度一致的新样本。尽管无法获得数据分布的显式表达式，扩散模型仍可通过迭代过程实现高效样本生成。本报告第一部分将梳理扩散模型的发展脉络，重点阐述DDPM模型以及基于随机微分方程(SDE)的数学建模观点。在建立理论基础后，我们将探讨其在图像处理中的应用。鉴于扩散生成过程的迭代性与传统变分优化方法的高度相似性，该模型可被巧妙地融入图像处理算法框架中。报告第二部分将对现有的基于扩散模型先验的图像处理算法进行系统总结。

李季，首都师范大学交叉科学研究院副研究员。2017年博士毕业于北京大学计算数学专业，而后在北京计算科学研究中心和新加坡国立大学做博士后研究工作。目前的研究兴趣是传统优化和深度学习在科学计算和图像处理中的应用。