扩散模型

扩散模型的用途：当下很多图片需要去码去噪，还原本身的图像性质。或者当下AI绘画很火热，许多算法通过输入文字描述，最终便可以得到一张生成图像。

概述

扩散模型的思路：定义一个扩散步骤的马尔可夫链，缓慢地将随机噪声添加到数据中，然后学习反转扩散过程，从噪声中构建所需的数据样本。

噪声的扩散：在数据当中，不断地加入具有高斯分布的噪声，最开始还具有原始图片的特征，但是随着噪声的不断加入，最后会变为一个纯噪声图片。

每一个噪声都是在前一时刻增加噪声而来的（马尔科夫过程）（原文噪声增加了2000次）

为什么加噪声：由扩散模型的用途可知，扩散模型是为了去噪，如果模型学习到了怎么增加的噪声，那么可以很容易推导出逆向的去噪方法。同时，不断添加噪声的过程就是不断构建标签的过程。

设计

怎么加噪声：

xt，x0，α都是已知量，€是添加的随机噪声

最终结果中，未知量为€t

输入图片xt有了，前向过程中不断添加的噪声，是用来训练的标签
前向推导得到了均值和方差，然而均值中存在不定的噪声，我们便通过前向的传递记录真实采样的噪声为标签，训练一个应用于反向预测噪声的模型。