关于Unet在扩散模型中的应用

Unet的输入是\(（x_noise, t）\)，其中\(x_noise\)是在时间步 \(t\) 时已经添加了噪声的图片，Unet的输出是在时间步\(t\)添加的噪声。该噪声是公式\(q(x_t|x_{t-1}) = \sqrt{\overline{\alpha_t}}x_0 + \sqrt{1-\overline{\alpha_t}} \epsilon\)中的\(\epsilon\)，这并非是真实加入的噪声，但根据推导公式，求得随机采样的\(\epsilon\) 就可以推出\(x_t\)。在Unet网络中，通过确定\(t\)个\(\beta\)的值，再通过采样一个\(\epsilon\),就可以根据公式\(q(x_t|x_{t-1}) = \sqrt{\overline{\alpha_t}}x_0 + \sqrt{1-\overline{\alpha_t}} \epsilon\)得到\(x_{noise}\), 这个\(\epsilon\)是已知的，通过\(\epsilon_{\theta}=Unet(x_noise, t)\)得到估计的采样值，最终\(loss = MSE(\epsilon, \epsilon_{\theta})\)建模出\(\epsilon\)。