Stable Diffusion 是一种新型的生成模型，它可以用于生成高质量的图像、文本和音频等多种形式的数据。目前已经出现了许多基于 Stable Diffusion 模型的变种，下面简单介绍其中几种比较流行的模型：
模型链接：https://huggingface.co/stabilityai
DDIM (Deep Diffusion Image Model)
DDIM 是 Stable Diffusion 的第一个应用，它采用了局部证据传递（Local Evidence Accumulation）的方法来构建 Diffusion Process。在 DDIM 中，Diffusion Process 通过 N 次迭代来完成，每次迭代包括两个阶段：更新噪声和更新图像。在更新噪声的阶段中，噪声被推断成为观察到的图像与当前候选图像之间的噪声；在更新图像的阶段中，通过候选噪声来构建图像。
CDPM (Conditional Diffusion Process Model)
CDPM 是一种条件 Stable Diffusion 模型，它能够生成给定条件下的高质量图像。与 DDIM 不同，CDPM 采用了 PixelCNN++ 来构建条件估计器，从而将条件信息导入到 Diffusion Process 中。与传统的条件生成模型不同，CDPM 不需要将条件信息与初始噪声混合，而是在 Diffusion Process 中同时处理条件信息和噪声，从而更好地利用条件信息。
Diffusion Probabilistic Models (DPM)
DPM 是一种在多个时刻点上建模数据分布的 Stable Diffusion 模型。与其他 Stable Diffusion 模型不同，DPM 可以预测数据在未来时刻点的分布，这使得 DPM 在视频生成和自动驾驶等领域具有潜在的应用价值。DPM 中的 Diffusion Process 是由许多分数阶微分方程组成的，在每个时刻点上使用一个分数阶微分方程来描述数据的条件分布。