前言：这又是一篇关于角色一致性的工作（也是subject driven相关的工作），这篇工作由中山大学联合腾讯AI lab发布，在2023.6发布在arXiv上。这篇工作提供了一种很有意思的 Celeb Basis 的想法，可以迁移到其他的一致性工作中。

前言：上海交大联合多所高校共同发布的Alpha-CLIP，这个Alpha-CLIP是CLIP的加强版，我觉得这个Alpha-CLIP可以方法很多领域的工作中，所以对这篇工作进行简读，了解基本原理，重点看它是怎么和其它基础模型进行结合的，并将其引入到当前的工作中。

关于一致性角色问题的论文相关汇总及分析探究

前言：精读论文：AutoStory: Generating Diverse Storytelling Images with Minimal Human Effort，该论文与2023-11-23日上传至arXiv上，该工作由浙江大学提出，主要关注的点在于对一个文本故事进行可视化和多轮图像生成的一致性（包括角色与非角色）

前言：精读论文：The Chosen One: Consistent Characters in Text-to-Image Diffusion Models，该论文与2023-11-30日上传至arXiv上，该工作由Google Research主导，主要关注的点在于多轮图像生成的角色一致性问题。这篇文章的代码还没有开源，但是作者建立的github仓库已经有1.2K的follow了

前言：上次做了户型图数据集调研，并构建了自己的户型图数据集，这次使用构建好的数据集训练自己的Diffusion Model

本次我训练了四个版本的Diffusion Model for Floor Plan datasets，分别是：

cubicasa5k-Simple-DM

cubicasa5k-Large-DM

RPLAN-DM

Myself-DM（自己从网上爬取的数据集）

前言：CVPR 2022中的一项新工作latent diffusion models引起了广泛关注，提出了两段式diffusion models能有效节省计算资源，latent attention技术为通用image-to-image任务打下基础，让人耳目一新，具有极强的借鉴意义和启发性，值得深度阅读。

从DDPM到DDIM:Denoising Diffusion Implicit Models

前言：DDIM发表在LCRL2021上，是DDPM重要的改进之一，能显著提高DDPM的样本质量、减少采样时间，并且已经被广泛应在到现在的Diffusion Models上。

目标：消除DDPM与GAN之间的效率差距

一句话概括：剪短前向，进而使逆向更简单，其实DDIM就是一种新的采样方式，剩下的部分还是DDPM的东西。

DiffuseVAE:完美结合VAE 和 Diffusion Models

条件DDPM:Diffusion Model的第三个巅峰之作

前言：DDPM2020年诞生，短短一年的时间，模型上有两个巨大的改进，其中一个就是condition的引入，很多后续DDPM相关的论文都会讨论这一点，有些文章称之为latent variable。和当年GAN的发展类似，CGAN和DCGAN的出现极大程度上促进了GAN的发扬光大，意义重大。本文基于前面几篇文章继续聊一聊: