DDSM

让扩散模型训练更快更省，按步骤智能分配学习资源

DDSM（Denoising Diffusion Step-aware Models）是ICLR 2024收录的扩散模型训练优化方法。它针对扩散模型训练中不同去噪步骤（timestep）的难度差异，提出了一种步骤感知的训练策略，通过动态调整各步骤的损失权重或网络容量，让模型更高效地学习。核心能力包括：基于步骤感知的损失加权、可选的模型剪枝技术，以及更快的收敛速度和更优的生成质量。项目提供PyTorch实现，代码结构清晰，适合研究者复现和扩展。它解决的是扩散模型训练效率低、收敛慢的问题，在保持生成质量的同时降低计算成本。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 62

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EnVision-Research

所属国家

官网地址

GitHubhttps://github.com/EnVision-Research/DDSM

定价模式free

价格说明开源项目，MIT许可证，完全免费，无付费版本。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型diffusion-models,efficient-deep-learning,iclr2024,image-generation,model-pruning

GitHub 星标★ 62

30天Star增速

HF 下载量

上线时间2023-11-29 00:00:00

最近更新2025-12-24 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

提出步骤感知训练策略，显著提升收敛速度，减少训练迭代次数
支持模型剪枝，可进一步压缩模型大小，适合资源受限场景
ICLR 2024论文官方实现，算法有理论支撑，可靠性高

不足之处

项目处于早期阶段（62星），文档和社区支持尚不完善
仅提供基础实现，未包含预训练模型或完整训练配置，上手需自行配置

适用场景

学术研究：复现ICLR 2024论文，探索扩散模型训练优化
高效训练：在有限算力下训练高质量图像生成模型
模型压缩：结合剪枝技术部署到边缘设备

替代项目

DPM-Solver、EDM (Elucidating Diffusion Models)、Progressive Distillation

项目介绍

DDSM 是模型训练领域的开源项目，由 EnVision-Research 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 62。

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 2025-12-24。MIT许可证，完全免费，无付费版本。

它主要面向的使用场景是：学术研究：复现ICLR2024论文，探索扩散模型训练优化。同类可对比的替代方案包括 DPM-Solver、EDM (Elucidating Diffusion Models)、Progressive Distillation。

上一篇：focal-frequency-loss

下一篇：Dreambooth-Stable-Diffusion