当前位置：首页 > news >正文

Stable Diffusion 图像生成技术背后的三大数学支柱

news 2026/5/12 11:29:33

Stable Diffusion 扩散模型数学解读解析了 Stable Diffusion 图像生成技术背后的三大数学支柱。首先，概率论通过高斯分布和马尔可夫链定义了从图像到噪声的正向过程，并利用贝叶斯推断实现逆向去噪。其次，微积分将离散过程连续化，通过随机微分方程 (SDE) 及其反向过程，借助得分函数的梯度指引图像恢复的方向。最后，线性代数通过 VAE 编码器将高维像素空间压缩到低维潜空间，解决了维度灾难问题，并利用注意力机制实现了文本与图像的精准关联。三者的精妙结合，共同构成了 AI 生成图像的数学基础。# stablediffusion # 线性代数 # 微积分 # 概率论 # transformer https://v.douyin.com/rrOwJGkNCEA/

Stable Diffusion 背后的数学原理（三大支柱详解）

这个视频（时长约 8 分 46 秒）用通俗但严谨的方式，系统解析了Stable Diffusion（SD）图像生成技术的数学本质。

它将扩散模型归纳为三大数学支柱：

概率论
微积分
线性代数

下面是整理后的详细讲解（已适配 CSDN 公式格式）。

1. 概率论支柱：高斯分布 + 马尔可夫链 + 贝叶斯推断

1️⃣ 正向扩散过程（Forward Process）

从清晰图像x0\mathbf{x}_0x0出发，逐步加入高斯噪声：

q(x∗t∣x∗t−1)=N(x∗t;1−βtx∗t−1,βtI) q(\mathbf{x}*t \mid \mathbf{x}*{t-1}) = \mathcal{N}(\mathbf{x}*t; \sqrt{1-\beta_t}\mathbf{x}*{t-1}, \beta_t\mathbf{I})q(x∗t∣x∗t−1)=N(x∗t;1−βtx∗t−1,βtI)

其中：

βt\beta_tβt：噪声调度参数
最终xT∼N(0,I)\mathbf{x}_T \sim \mathcal{N}(0, \mathbf{I})xT∼N(0,I)

2️⃣ 闭式表达（关键公式）

xt=αˉtx0+1−αˉtϵ,ϵ∼N(0,I) \mathbf{x}_t = \sqrt{\bar{\alpha}_t}\mathbf{x}_0 + \sqrt{1-\bar{\alpha}_t}\boldsymbol{\epsilon}, \quad \boldsymbol{\epsilon} \sim \mathcal{N}(0, \mathbf{I})xt=αˉtx0+1−αˉtϵ,ϵ∼N(0,I)

其中：

αˉ∗t=∏∗s=1t(1−βs) \bar{\alpha}*t = \prod*{s=1}^t (1-\beta_s)αˉ∗t=∏∗s=1t(1−βs)

3️⃣ 逆向去噪过程（Reverse Process）

真实后验：

q(xt−1∣xt,x0) q(\mathbf{x}_{t-1} \mid \mathbf{x}_t, \mathbf{x}_0)q(xt−1∣xt,x0)

实际用神经网络近似：

pθ(x∗t−1∣x∗t)=N(x∗t−1;μ∗θ(x∗t,t),Σ∗θ(xt,t)) p_\theta(\mathbf{x}*{t-1} \mid \mathbf{x}*t) = \mathcal{N}(\mathbf{x}*{t-1}; \boldsymbol{\mu}*\theta(\mathbf{x}*t, t), \boldsymbol{\Sigma}*\theta(\mathbf{x}_t, t))pθ(x∗t−1∣x∗t)=N(x∗t−1;μ∗θ(x∗t,t),Σ∗θ(xt,t))

4️⃣ 训练目标（核心思想）

模型预测噪声：

ϵθ(xt,t) \boldsymbol{\epsilon}_\theta(\mathbf{x}_t, t)ϵθ(xt,t)

最小化 MSE：

E[∣ϵ−ϵθ(xt,t)∣2] \mathbb{E}\left[|\boldsymbol{\epsilon} - \boldsymbol{\epsilon}_\theta(\mathbf{x}_t, t)|^2\right]E[∣ϵ−ϵθ(xt,t)∣2]

2. 微积分支柱：SDE + 得分函数

1️⃣ 前向随机微分方程（SDE）

dx=f(x,t),dt+g(t),dw d\mathbf{x} = \mathbf{f}(\mathbf{x}, t),dt + g(t),d\mathbf{w}dx=f(x,t),dt+g(t),dw

其中：

w\mathbf{w}w：维纳过程（布朗运动）

2️⃣ 得分函数（Score Function）

s(x,t)=∇xlog⁡pt(x) \mathbf{s}(\mathbf{x}, t) = \nabla_{\mathbf{x}}\log p_t(\mathbf{x})s(x,t)=∇xlogpt(x)

3️⃣ 逆向 SDE

dx=[f(x,t)−g(t)2∇xlog⁡pt(x)]dt+g(t),dwˉ d\mathbf{x} = \left[\mathbf{f}(\mathbf{x}, t) - g(t)^2\nabla_{\mathbf{x}}\log p_t(\mathbf{x})\right]dt + g(t),d\bar{\mathbf{w}}dx=[f(x,t)−g(t)2∇xlogpt(x)]dt+g(t),dwˉ

神经网络本质是在学习这个梯度方向。

3. 线性代数支柱：VAE + 注意力机制

1️⃣ VAE 潜空间压缩

编码：

z=E(x),z∼N(μ(x),σ(x)) \mathbf{z} = \mathcal{E}(\mathbf{x}), \quad \mathbf{z} \sim \mathcal{N}(\boldsymbol{\mu}(\mathbf{x}), \boldsymbol{\sigma}(\mathbf{x}))z=E(x),z∼N(μ(x),σ(x))

解码：

x≈D(z) \mathbf{x} \approx \mathcal{D}(\mathbf{z})x≈D(z)

将高维图像压缩到低维潜空间（大幅提升效率）

2️⃣ 注意力机制（Cross-Attention）

Attention(Q,K,V)=softmax(QK⊤dk)V \text{Attention}(\mathbf{Q}, \mathbf{K}, \mathbf{V}) = \text{softmax}\left(\frac{\mathbf{Q}\mathbf{K}^\top}{\sqrt{d_k}}\right)\mathbf{V}Attention(Q,K,V)=softmax(dkQK⊤)V