扩散模型

论文：《Denoising Diffusion Probabilistic Models》（DDPM, NeurIPS 2020）

简述：

（大白话）

训练阶段：首先是将图片一步步进行加noise，将每一步加入noise生成的像素图片进行去噪，目标是预测噪声；

 

预测阶段：从标准高斯分布中采样一张纯噪声图片，将它放入已经生成的扩散模型中，通过多步迭代，让它预测加噪时添加的噪声。

 

完整总结：

训练阶段：

1. 前向加噪：对原始图片x₀执行 T 步逐步加噪，生成从 “轻微噪声（t=1）” 到 “纯噪声（t=T）” 的含噪图片序列\(x₁, x₂, ..., x_T)，每一步加噪遵循高斯分布规律；
2. 反向去噪训练：随机选择一个时间步 t，将该步的含噪图片x_t和时间步 t 输入模型，让模型预测 “前向加噪时添加的真实噪声€”；
3. 优化目标：最小化 “模型预测的噪声€_Θ” 与 “真实加噪噪声€” 的误差，让模型掌握 “任意噪声程度的图片→对应去噪结果” 的映射规律。

预测（推理）阶段：

1. 初始化：从标准高斯分布中采样一张纯噪声图片x_T；
2. 多步迭代去噪：对 t 从 T 到 1 逐步迭代，每次将当前含噪图片x_t和时间步 t 输入训练好的模型，通过模型预测的噪声€_Θ推导出去噪后的图片x_t-1；
3. 输出结果：迭代完成后，最终得到的x₀即为去噪（生成）的目标图片。