Denoising Diffusion Probabilistic Model (DDPM)
Definition
DDPM bezeichnet ein generatives Modell, das Bilder aus einem Rauschprozess erzeugen kann.
DDPM ist eine Klasse generativer probabilistischer Modelle für Bildsynthese. Die gelernte Umkehr eines verrauschenden Prozesses ermöglicht es, aus Rauschen ein neues Bild zu erzeugen.
Einfach erklärt
Stell dir vor, aus einem Bild voller Rauschen entsteht schrittweise ein Motiv. Das ist ein Vergleich für die Erzeugung, nicht die Wiederherstellung einer tatsächlich vorhandenen Fotoaufnahme.
Warum das im Alltag wichtig ist
DDPM ist ein Grundlagenansatz generativer Bild-KI. Modellqualität und Ausführungskosten müssen anhand eines konkreten Einsatzes bewertet werden.
Beispiel aus dem Mittelstand
Mögliches Beispiel: Ein Forschungsteam vergleicht Bildproben unterschiedlicher Diffusionsmodelle mit einheitlichen Qualitätsmaßstäben.
Grenzen und Fallstricke
- Erzeugte Bilder belegen keine realen Ereignisse. Qualität und Laufzeit hängen von Trainingsdaten, Modell und Abtastverfahren ab.
Entstehung & Geschichte
Jonathan Ho, Ajay Jain und Pieter Abbeel veröffentlichten die erste arXiv-Fassung ihrer DDPM-Arbeit am 19. Juni 2020.
Anwendung im Mittelstand
- Denkbar sind Machbarkeitsprototypen für Bildsynthese und der Vergleich verschiedener generativer Modellarchitekturen.
Häufige Fragen
Ist DDPM ein Bildbearbeitungsfilter?
Nein. Es ist ein generatives Modell.
Ist DDPM mit DDIM identisch?
Nein. DDIM behandelt eine andere Klasse von Abtastprozessen.
Quellen
- Denoising Diffusion Probabilistic Models · Ho et al. (2020): Denoising Diffusion Probabilistic Models
- Denoising Diffusion Implicit Models · Song et al. (2020): Denoising Diffusion Implicit Models
Quellen geprüft am 20.10.2026. Redaktionelle Anwendungsbeispiele sind hypothetisch; kein Nachweis realer Kundenergebnisse.
Redaktionell geprüft am: