首先可以先看看普渡大学Stanley Chan老师写给本科生和研究生初学者的tutorial，通俗易懂。

然后可以看看Diffusion model的原论文，一共有三篇，再加上一篇总结：

• 加州伯克利的Johnathan Ho写了一篇Denoising Diffusion Probabilistic Model(DDPM)，是第一篇把diffusion调出较好效果的论文，搞CV一般指搞懂DDPM就差不多。

• 同时期斯坦福的Yang Song写了Noise Conditional Score Network(NCSN)，通过score matching的方式来估计数据分布概率密度的梯度。

• 然后Yang Song在这两篇的基础上用随机微分方程把Diffusion Model的理论框架统一，提出了Score-SDE。

• 对这几篇很好的总结是谷歌Calvin Luo的工作，作者不仅对各种公式进行了汇总，还阐明了和VAE的关系。

再进一步是后面的人针对前面出现的问题进行的改进：

• 和Yang Song同一个组的Jiaming Song提出了DDIM，加速了diffusion采样速度。

• Yang Song针对NCSN的各种问题提出了各种tricks，在这篇Improved Techniques for Training Score-Based Generative Models当中

• Nvidia在noise schedule上做改进，提出了EDM，很多人都用这篇的代码

再然后可以看看具体应用领域了！

比如解反问题：改进diffusion sample算法来进行后验采样。

比如Diffusion可解释性相关的问题：

比如Latent Diffusion: 把encoder-decoder与diffusion process结合，在latent space上做文章

比如工业界最火的Stable Diffuison, Sora背后的原理DiT, 这里就不具体贴论文了。

除此之外我个人对diffusion的loss的各种形式很感兴趣，读了一部分这方面的论文：

• Yang Song证明了score-matching loss和DDPM用的ELBO loss在某种意义上等价

• 谷歌的Ruiqi Gao和Kingma(就是VAE和Adam的作者)深入研究了ELBO加weighting的问题

与此同时代码Huggingface提供专门的Diffusers库，各种模型各种scheduler集成得很到位，可以跑来玩玩。

在这里还可以分享一个网站https://scorebasedgenerativemodeling.github.io/。这个网站列出了所有与Diffusion Model相关论文，是Diffusion Schrödinger Bridge作者整理的。

加油！Diffusion Model看着理论框架很复杂，但实际上就是条件概率来回推。说了这么多我感觉初学可以只看看DDPM当中的算法，然后直接上手代码实践。具体推导啥的略过，回头需要的时候慢慢来补也行。如果想了解全貌的话，就看看第一篇tutorial。每个人都有自己的学习历程，我在这里仅仅是分享了自己的供参考，希望能帮助你少走弯路。

祝idea都work，paper多多。