扩散模型：Diffusion Model原理剖析

Diffusion Model

  • 视频

Training

在这里插入图片描述

  • 第5行是唯一需要解释的地方， x 0 x_{0} x0? 是干净的图片， ? θ epsilon _{ heta } ?θ?是前面说的Noise Predictor，它的输入包括加噪声之后的图像（红色框）以及时序 t t t ， ? epsilon ? 是训练的target也就是添加的噪声。它其实与前面我们提到的一步步加噪的过程不一样，而是一次就可以了。
    在这里插入图片描述

Inference

在这里插入图片描述

最大似然估计

在这里插入图片描述
在这里插入图片描述

  • 倒数第二行增加了与θ无关的一项，使得能将式子合并；KL散度，用来衡量两个概率分布之间的差异，KL越大，分布差异越大。
    在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

前向加噪推导

在这里插入图片描述
在这里插入图片描述

  • 以此类推，从 x 0 x_{0} x0?