diffusion-DDIM-pytorch

快速上手 DDIM，用更少步数生成高质量图像

diffusion-DDIM-pytorch 是一个基于 PyTorch 的 DDIM（Denoising Diffusion Implicit Models）实现，旨在复现论文中的隐式扩散模型，用于高效图像生成。它解决了传统扩散模型采样速度慢的问题，通过非马尔可夫采样过程，在保持生成质量的同时大幅减少采样步数。核心能力包括：支持 DDIM 和 DDPM 两种采样器，提供训练和采样脚本，可配置噪声调度和采样步数，并包含简单的示例用于快速上手。项目代码结构清晰，适合学习和二次开发，但功能相对基础，未包含高级特性如条件生成或大规模预训练模型。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 138

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队Alokia

所属国家

官网地址

GitHubhttps://github.com/Alokia/diffusion-DDIM-pytorch

定价模式free

价格说明开源项目，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议

主要语言Python

技术栈/模型ddim,deep-learning,diffusion-models,image-generation

GitHub 星标★ 138

30天Star增速

HF 下载量

上线时间2023-07-10 00:00:00

最近更新2026-09-20 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数2

使用教程

核心亮点

代码简洁，核心逻辑清晰，适合学习扩散模型原理
同时支持 DDIM 和 DDPM 采样，方便对比效果
提供训练和采样脚本，能快速跑通实验

不足之处

功能较基础，未包含条件生成或大规模预训练模型
文档和示例较少，社区活跃度低，扩展需自行探索

适用场景

学术研究：复现 DDIM 论文实验，验证采样加速效果
教学演示：用于讲解扩散模型和隐式采样原理
轻量级图像生成：在资源有限环境下快速生成小尺寸图像

替代项目

openai/guided-diffusion、lucidrains/denoising-diffusion-pytorch、ermongroup/ddim

项目介绍

diffusion-DDIM-pytorch 是模型训练领域的开源项目，由 Alokia 开发，2023 年首次发布。

它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 138。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-20。完全免费，可自行部署使用。

它主要面向的使用场景是：学术研究：复现DDIM论文实验，验证采样加速效果。同类可对比的替代方案包括 openai/guided-diffusion、lucidrains/denoising-diffusion-pytorch、ermongroup/ddim。

上一篇：pytorch-generative

下一篇：Matlab-GAN