简介：扩散模型是一类基于深度学习的生成式模型，其核心机制在于通过“逐步加噪—逐步去噪”的双向过程实现数据生成。本文将从非平衡热力学背景、前向扩散过程、反向去噪过程、网络训练目标、采样生成流程、关键模块协作以及技术边界等角度，系统拆解扩散模型为什么能够将随机噪声转化为结构化数据，帮助读者理解该模型在图像生成等领域表现出高质量与多样性的底层原因。
扩散模型是一类生成式深度学习模型，其目标是学习一个从简单随机分布到复杂数据分布的映射。与直接学习“从噪声到样本”的单步映射不同，扩散模型将生成过程拆解为一系列细粒度的状态转移步骤。模型训练时通过逐步向真实数据添加噪声，使数据结构逐渐被破坏；在生成时则从纯噪声出发，利用训练得到的去噪网络逐步恢复数据结构，最终得到与训练数据分布相似的新样本。
这一机制的成立依赖于两个关键条件：
正是因为生成过程被拆解得足够细，扩散模型能够在训练稳定性和生成多样性之间取得较好的平衡。
在扩散模型受到广泛关注之前，生成建模领域已经存在多种技术路线。生成对抗网络通过对抗训练让生成器与判别器相互博弈，但训练过程容易出现模式崩溃和不稳定；变分自编码器通过最大化证据下界来学习隐空间分布，但生成样本有时偏模糊；自回归模型将数据建模为条件概率的乘积，生成质量较高，但采样速度较慢，尤其在高维数据上计算代价较大。
扩散模型解决的问题可以概括为：
其基本思路是：既然从噪声直接映射到复杂数据很困难，那就把映射拆成很多步，每一步只做微小的改进。这种“分解困难”的思想，是扩散模型能够成立的根本原因。
理解扩散模型需要先掌握几个基础概念。
假设真实数据样本来自某个未知分布。扩散模型的目标不是显式写出这个分布的数学公式，而是学习一个从标准高斯分布到该数据分布的变换。初始噪声通常服从各向同性的标准高斯分布，因为这种分布易于采样，且具有旋转对称性，不包含任何先验结构。
前向过程是一个马尔可夫链。给定一个原始数据样本，每一步都按照固定的方差调度向其中加入少量高斯噪声。经过足够多步后，原始数据结构被完全破坏，样本近似服从标准高斯分布。
前向过程不需要训练，其每一步的转移分布由噪声调度参数显式定义。由于每一步都只是在上一步基础上乘以一个缩放系数并加入噪声，因此可以通过重参数化技巧直接得到任意时刻加噪样本的闭式表达，无需逐步模拟。
反向过程同样是一个马尔可夫链，但转移分布不是预先定义的，而是由神经网络参数化。网络在每一步接收当前带噪样本和时间步信息，输出对原始数据或所加噪声的估计，从而逐步去除噪声。
反向每一步的“任务难度”取决于当前噪声水平。在噪声较强时，网络需要更多地依赖全局结构信息；在噪声较弱时，网络需要恢复细节纹理。通过时间步条件化，同一个网络可以适应不同噪声水平下的去噪需求。
噪声调度控制每一步加入噪声的强度。如果噪声增加过快，反向过程会变得难以学习，因为每一步之间的数据分布变化太大；如果噪声增加过慢，则需要更多步骤才能完全破坏数据结构，导致训练和采样成本上升。合理的噪声调度需要在步骤数量、训练难度和生成质量之间取得平衡。
从系统角度拆解，扩散模型可以分为以下几个关键模块。
该模块负责在训练阶段向真实数据添加噪声。它接收干净样本、时间步和噪声调度参数，输出对应噪声水平下的带噪样本。其实现通常基于闭式公式直接计算，避免逐步迭代，从而提升训练效率。
去噪网络是整个模型的核心学习组件。它接收带噪样本和时间步嵌入，输出对噪声的预测或对干净样本的预测。网络结构通常需要满足以下要求：
常见实现采用带有自注意力机制的编码器结构，或采用具备多尺度特征融合能力的卷积结构。这些结构设计使得网络能够在高噪声阶段关注整体布局，在低噪声阶段关注局部细节。
时间步信息必须被有效注入网络。通常做法是将离散时间步映射为连续向量，再通过归一化层或特征调制机制送入网络中间层。这样网络可以在不同层、不同尺度上感知当前去噪阶段，从而调整自身行为。
采样调度器在推理阶段使用，负责组织从纯噪声到最终样本的多步迭代。它维护当前状态、当前时间步和去噪网络的输出，按照预定规则计算下一步状态。采样调度器可以看作反向过程的执行引擎，其设计直接影响生成速度与稳定性。
第一步，从训练集中采样一个真实数据样本。
第二步，随机选择一个时间步。
第三步，根据前向噪声公式，直接生成该时间步对应的带噪样本。
第四步，将带噪样本和时间步输入去噪网络，网络输出对噪声的预测。
第五步，计算网络预测噪声与真实所加噪声之间的损失，通常采用均方误差。
第六步，反向传播更新去噪网络参数。
重复以上步骤，直到网络能够在不同噪声水平下准确预测所加噪声。
第一步，从标准高斯分布采样一个纯噪声样本。
第二步，从最大时间步开始，将该噪声样本和时间步输入去噪网络。
第三步，网络输出当前时间步的噪声估计。
第四步，根据采样调度器的规则，从当前样本中减去估计噪声，并加入少量扰动以维持随机性。
第五步，将时间步递减，重复第二步到第四步。
第六步，当时间步到达零时，输出最终生成样本。
整个生成过程是一个逐步细化的过程。之所以需要加入少量扰动，是因为反向每一步的转移分布并不是确定性的，而是条件高斯分布。保持随机性有助于模型探索更多可能的数据变化。
如果模型需要一次性将纯噪声映射为复杂数据，其需要学习的映射极其复杂，输入输出之间的对应关系高度多模态。训练目标往往难以收敛，生成结果容易出现模式单一或结构混乱。
扩散模型将映射拆分为多个小步后，每一步都只处理相邻噪声水平之间的差异。网络接收的输入与输出之间的条件分布更接近高斯分布，学习目标更平滑。这种平滑性使得训练更加稳定，也使得模型可以通过简单的均方误差损失完成优化，而不需要对抗训练中的判别器。
前向过程虽然定义为多步马尔可夫链，但如果每一步都逐步模拟，训练时会非常耗时。实际上，由于每步加噪都是高斯分布，且缩放系数和噪声方差可以累积，任意时间步的带噪样本都可以表示为原始样本与高斯噪声的线性组合。
这种闭式表达使得训练时可以直接从任意时间步采样，而不需要执行完整的前向链。其意义在于：
去噪网络如果不感知时间步，就必须在不同噪声水平下执行不同的去噪策略，这对网络容量要求很高。引入时间步条件化后，网络可以根据当前噪声水平调整行为：
这种“同一网络、不同阶段、不同行为”的机制，是扩散模型能够在逐步生成过程中由粗到细恢复结构的关键。
去噪网络输出噪声估计后，可以通过数学关系推导出对干净样本的估计。当前带噪样本减去估计噪声后，得到的是对原始干净样本的近似。但由于噪声估计存在误差，直接减去会得到一个确定性结果，无法反映反向分布的不确定性。
采样调度器通常会在减去噪声后，再根据当前时间步的方差参数加入少量随机噪声。这样做的目的是保持反向过程的概率性质，使模型可以生成多样化的样本，而不是在给定初始噪声后只能产生唯一结果。
下面用一个简化示例说明扩散模型的训练与生成逻辑。假设数据是一维向量，去噪网络为一个简单的多层感知机。
训练阶段伪代码：
for each training sample x:t = random integer from 1 to Tnoise = sample from standard normal distributionx_t = sqrt(alpha_t) * x + sqrt(1 - alpha_t) * noisepredicted_noise = denoise_network(x_t, t)loss = mean_square_error(predicted_noise, noise)update network parameters using loss
生成阶段伪代码：
x_T = sample from standard normal distributionfor t from T down to 1:predicted_noise = denoise_network(x_t, t)x_clean_est = (x_t - sqrt(1 - alpha_t) * predicted_noise) / sqrt(alpha_t)if t > 1:z = sample from standard normal distributionx_{t-1} = x_clean_est + sigma_t * zelse:x_0 = x_clean_estreturn x_0
上述伪代码仅用于说明通用流程，实际实现会根据具体噪声调度和参数化方式调整。
以图像生成为例解释数据变化：在时间步接近最大时，输入几乎完全是噪声，网络只能预测出大致的主体轮廓和颜色分布；在中间时间步，物体边界和空间关系逐渐清晰；在接近零的时间步，网络补充纹理、细节和局部对比度。最终图像不是某一时刻突然出现的，而是在整个反向过程中逐步“显现”出来的。
训练稳定：由于优化目标是均方误差形式，不依赖对抗博弈，训练过程通常比生成对抗网络更平稳。
生成质量与多样性较好：逐步去噪机制使得模型能够覆盖数据分布中更多的模式，同时在细节恢复上表现较强。
理论可解释性较强：前向和反向过程都可以用概率框架描述，损失函数与变分下界存在关联，这为分析和改进提供了理论依据。
可控性较强：通过修改时间步条件或引入额外条件信息，可以在生成过程中施加结构约束，实现条件生成。
采样速度较慢：生成一个样本需要执行完整的反向马尔可夫链，步骤数通常较多，计算成本明显高于单步生成模型。
训练资源消耗较大：模型需要在大量数据上、跨多个噪声水平进行训练，训练时间和算力需求较高。
对噪声调度敏感：噪声调度的选择会影响训练收敛速度、生成质量和步骤效率，实际使用中需要仔细设计或调优。
高维数据处理负担较重：虽然扩散模型在图像领域表现突出，但在超高分辨率或长序列数据上，模型容量和计算开销会显著增加。
虽然表面上看扩散模型包含加噪与去噪两个过程，但前向加噪只在训练阶段使用，推理阶段只执行反向去噪。前向过程的意义不是生成数据，而是为去噪网络构造不同难度级别的监督信号。
在多数实现中，去噪网络输出的是对噪声的预测，而不是直接输出干净样本。虽然也可以参数化为预测干净样本，但预测噪声在高噪声阶段数值更稳定，且与损失函数形式更匹配。
增加步骤数量会降低每一步的分布变化幅度，理论上有利于学习，但也会带来更长的采样时间和更高的算力成本。当步骤数量超过一定范围后，边际收益会减弱。实际系统需要在质量与速度之间进行折中。
反向过程本质上是随机过程。即便从完全相同的初始噪声出发，由于中间步骤存在随机扰动，最终生成的样本也可能存在差异。这种随机性是生成多样性的来源之一。
扩散模型的原理核心在于将复杂数据生成任务拆解为一系列逐步细化的状态转移过程。通过前向逐步加噪构造监督信号，通过反向逐步去噪实现数据重建，通过时间步条件化让同一网络适应不同噪声阶段，通过重参数化提升训练效率，通过随机采样保持生成多样性。
从系统角度看，扩散模型由前向噪声注入、去噪网络、时间步编码和采样调度器等关键模块协同工作。其训练过程稳定、生成质量较高，但采样速度和计算成本是需要持续优化的方向。理解这些底层机制，有助于在实践中更合理地设计噪声调度、选择网络结构、调整采样策略，并根据具体任务需求在生成质量、多样性和效率之间做出权衡。