LuChengTHU GitHub avatar

dpm-solver

Python
扩散模型采样求解器LuChengTHU最近推送 2024年2月7日
模型推理与部署MIT1,85913630 issues

AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月18日

扩散模型快速采样求解器,约10步生成高质量样本。

这是论文《DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps》(NeurIPS 2022 Oral)的官方代码,同时包含改进版 DPM-Solver++。它是一个专为扩散模型常微分方程设计的高阶求解器,无需重新训练即可用于离散或连续时间扩散模型,在约10到20次函数评估内生成样本。

推荐指数

5.0

扩散模型加速采样的经典工作,已被 Diffusers 等主流库集成,实用性强。

总 Star 排名

#2394

雷达追踪的 3,958 个 AI 仓库中

创建于

2022

2022年8月7日

核心亮点

  • 1无需重新训练

    直接替换采样器即可加速现有扩散模型。

  • 2步数少质量高

    约10到20步即可生成高质量样本。

  • 3支持引导采样

    DPM-Solver++ 针对引导采样优化,适用于 Stable Diffusion。

  • 4已集成 Diffusers

    可通过 DPMSolverMultistepScheduler 直接调用。

适用场景

  • 加速 Stable Diffusion 推理

    例如:在 Diffusers 中替换调度器为 DPMSolverMultistepScheduler,减少采样步数。

  • 研究扩散模型采样算法

    例如:对比不同求解器在相同步数下的生成质量。

  • 集成到自有扩散模型代码

    例如:按照文档定义噪声调度和模型包装,调用 DPM-Solver 采样。

它是怎么工作的

  1. 第 1 步

    定义噪声调度

    指定扩散过程的噪声计划(如 VP 或 VE)。

  2. 第 2 步

    包装模型

    将模型包装为连续时间噪声预测模型。

  3. 第 3 步

    配置求解器

    选择 DPM-Solver 或 DPM-Solver++ 及阶数、步数等参数。

  4. 第 4 步

    执行采样

    从噪声出发,通过少量迭代生成样本。

快速上手

  1. 1

    安装依赖

    安装 PyTorch 和 Diffusers 等库。

  2. 2

    加载模型并替换调度器

    使用 Diffusers 加载 Stable Diffusion 管道,替换为 DPMSolverMultistepScheduler。

    pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config)
  3. 3

    生成图像

    传入提示词执行推理并保存结果。

    image = pipe(prompt).images[0]

适合谁

  • 使用扩散模型进行图像生成的开发者
  • 希望减少采样步数、提升推理速度的研究者
  • 需要将快速采样器集成到自有代码的工程师

不太适合

  • 不熟悉扩散模型基础概念的初学者
  • 需要开箱即用完整应用而非算法组件的用户

成熟度

  • 活跃度最后更新于2024年2月,近期活跃度一般。
  • 文档README 包含详细文档、示例和超参数建议。
  • 社区1860 星、136 分支,被多个流行项目采用。
  • 上手难度通过 Diffusers 可一行代码替换调度器,自有代码集成也有文档指导。

同类项目怎么选

  • k-diffusion同样提供快速采样器,但包含更多采样算法且被 Stable Diffusion WebUI 广泛使用。
  • Diffusers是完整的扩散模型库,集成了 DPM-Solver 等多种调度器,而本项目是专用求解器实现。

使用前注意

  • · 采用 MIT 许可证,商用友好。
  • · 主要面向扩散模型,需了解相关基础概念。
  • · 部分示例依赖特定版本的 Diffusers 和 PyTorch。

主题标签

diffusion-modelsmachine-learningscore-based-generative-modelsstable-diffusion