标准回答
训练目标相同两者共用同一目标：训练一个 U-Net 预测每个时间步加入的噪声 ε，损失是噪声的均方误差。区别只在 采样（逆过程） 的构造，因此 DDIM 不需要重新训练，可直接套用 DDPM 训练出的权重。DDPM：随机马尔可夫逆过程DDPM 把生成建模为一条马尔可夫链：从纯高斯噪声出发，逐步去噪，每一步 $x_{t-1}$ 只依赖 $x_t$ 并额外采样一项随机噪声。链条不能跳步，通常需要 1000 步左右，采样很慢。DDIM：确定性非马尔可夫DDIM 重新推导出一个 非马尔可夫的前向族，使逆过程可以写成确定性映射（随机项系数 η 可调）。η=0 时采样完全确定，相同初始噪声得到相同图像，且支持潜在空间插值。因为不再要求逐步马尔可夫，DDIM 可只在一个稀疏时间子序列上迭代，20–50 步即可生成高质量样本。为什么更快：步数从上千降到几十，且每步计算量与 DDPM 相同，所以总体加速约一个量级。
常见误区
⚠️ 常见踩坑
DDIM 不是另一个模型或另一套训练，它复用 DDPM 权重只改采样；也别说 DDIM「无噪声所以质量更高」——极少步时质量会下降，需在步数与保真度间权衡。
追问
追问 1：DDIM 的 η 参数控制什么？
η 控制逆过程随机性的强度。η=0 时采样完全确定（非马尔可夫、可复现、可插值）；η=1 时恢复成原始 DDPM 的随机马尔可夫采样；中间值则在确定性与多样性之间过渡。
追问 2：为什么 DDIM 能做潜在空间插值而 DDPM 难？
因为 η=0 的 DDIM 是从初始噪声到图像的确定性映射，初始噪声可视作图像的「潜编码」，对两个噪声做球面插值能得到语义平滑过渡的图像。DDPM 每步注入随机噪声，最终结果不由初始噪声唯一决定，难以插值。
追问 3：还有哪些更快的扩散采样器？
DPM-Solver / DPM-Solver++ 把逆过程看作常微分方程（概率流 ODE），用高阶数值解法，10–20 步即可；还有 DEIS、UniPC 等。它们与 DDIM 思路一脉相承：把随机采样转为求解确定性 ODE 从而减少步数。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。