Diffusion Model扩散模型一文尽览！

主要观点总结

本文介绍了Diffusion模型（扩散模型）的数学原理，包含朗之万采样、Flow Matching、可控生成技术CFG、以及Diffusion在planning中的应用。其中，朗之万采样基于随机过程，从一个分布到另一个分布的偏移，通过神经网络学习解常微分/随机微分方程。Flow Matching是现代技术，统一了朗之万采样和DDPM。可控生成技术CFG使模型能够根据文本提示生成图像。Diffusion在planning中的应用展示了其在自动驾驶领域的潜力。文章还介绍了概率流ODE下的统一框架，以及无分类器引导技术CFG。最后，提到了Diffusion在自动驾驶规划控制中的应用。

关键观点总结

关键观点1: 朗之万采样和Diffusion模型

朗之万采样是基于随机过程的方法，用于从一个分布迁移到另一个分布。Diffusion模型利用朗之万采样建模，通过神经网络学习解常微分/随机微分方程。

关键观点2: Flow Matching和DDPM

Flow Matching是现代技术，统一了朗之万采样和DDPM。DDPM即Denoising Diffusion Probability Model，是另一种扩散模型。

关键观点3: 可控生成技术CFG

CFG技术使得模型能够根据文本提示进行图像生成，实现了可控的扩散模型。

关键观点4: Diffusion在planning中的应用

Diffusion模型在自动驾驶的规划控制中有潜在应用，尤其是在轨迹预测和决策规划方面。

关键观点5: 概率流ODE下的统一框架

概率流ODE框架统一了基于SDE的score matching方法和基于ODE的flow matching，两者本质上是同一个家族的不同表达。