扩散模型（Diffusion Model）是继GAN、VAE后的一种生成式模型，而目前在文生图领域比较流行的工具，如DALL-E2、Imagen、Stable Diffusion等，均是以上述扩散模型为基础，不断进行算法优化、迭代，取得了令人惊艳的效果。

DDPM

扩散模型于2015年在论文《Deep unsupervised learning using nonequilibrium thermodynamics》中被提出，并于2020年在论文《Denoising diffusion probabilistic models》中被改进、用于图片生成。《Denoising Diffusion Probabilistic Models》中提出的扩散模型被称为DDPM。

正向扩散过程

令原始图片样本为 $x 0 x_0$ x0，其满足分布 $x 0 ∼ q ( x 0 ) x_0 \sim q(x_0)$ x0∼q(x0)。定义前向扩散过程，在 $T T$ T步内，每步给样本增加一个小的满足高斯分布的噪声，从而产生 $T T$ T个带噪声的样本 $x 1 , . . . , x T x_1,...,x_T$ x1,...,xT，整个过程为一个一阶马尔可夫过程， $x t x_t$ xt只与 $x t − 1 x_{t-1}$ xt−1有关，可用以下公式表示：
$q ( x t ∣ x t − 1 ) = N ( x t ; 1 − β t x t − 1 , β t I ) q(x_t|x_{t-1})=\mathcal{N}(x_t;\sqrt{1-\beta_t}x_{t-1},\beta_t\mathbf{I})$ q(xt∣xt−1)=N(xt;1−βt xt−1,βtI)

其中， $q ( x t ∣ x t − 1 ) q(x_t|x_{t-1})$ q(xt∣xt−1)表示给定 $x t − 1 x_{t-1}$ xt−1时， $x t x_{t}$ xt的条件概率，即均值为 $1 − β t x t − 1 \sqrt{1-\beta_t}x_{t-1}$ 1−βt xt−1、方差为 $β t I \beta_t\mathbf{I}$ βtI的高斯分布，集合 ${ β t ∈ ( 0 , 1 ) } t = 1 T \{\beta_t \in (0,1)\}$ {t=1}^{T} {βt∈(0,1)}t=1T用于控制每步的噪声大小。进一步给定 $x 0 x_0$ x0时，整个马尔科夫过程的条件概率为各步条件概率的连乘，可用以下公式表示： $q ( x 1 : T ∣ x 0 ) = ∏ t = 1 T q ( x t ∣ x t − 1 ) q(x$ {1:T}|x_0)=\prod_{t=1}^{T}{q(x_t|x_{t-1})} q(x1:T∣x0)=∏t=1Tq(xt∣xt−1) 正向扩散过程可由图1从右到左的过程表示，其中 $x 0 x_0$ x0为原始图片，随着每步增加噪声，图片逐渐变得模糊。

对于上述正向扩散过程，可进一步令 $α t = 1 − β t \alpha_t=1-\beta_t$ αt=1−βt，且 $α ˉ t = ∏ i = 1 t α i \bar{\alpha}$ t=\prod{i=1}^{t}{\alpha_i} αˉt=∏i=1tαi，则 $x t x_t$ xt可用以下公式表示：
$x t = α t x t − 1 + 1 − α t ϵ t − 1 ; where ϵ t − 1 , ϵ t − 2 , . . . ∼ N ( 0 , I ) = α t α t − 1 x t − 2 + 1 − α t α t − 1 ϵ ˉ t − 2 ; where ϵ ˉ t − 2 merge two Gaussians ( ∗ ) . = . . . = α ˉ t x 0 + 1 − α ˉ t ϵ \begin{aligned} x_t&=\sqrt{\alpha_t}x_{t-1}+\sqrt{1-\alpha_t}\epsilon_{t-1} &;\text{where }\epsilon_{t-1},\epsilon_{t-2},...\sim\mathcal{N}(0,\mathbf{I})\\ &=\sqrt{\alpha_t \alpha_{t-1}}x_{t-2}+\sqrt{1-\alpha_t\alpha_{t-1}}\bar{\epsilon}$ {t-2} &;\text{where }\bar{\epsilon}{t-2}\text{ merge two Gaussians }(*). \\ &=... \\ &=\sqrt{\bar{\alpha}_t}x_0+\sqrt{1-\bar{\alpha}_t}\epsilon \end{aligned} xt=αt xt−1+1−αt ϵt−1=αtαt−1 xt−2+1−αtαt−1 ϵˉt−2=...=αˉt x0+1−αˉt ϵ;where ϵt−1,ϵt−2,...∼N(0,I);where ϵˉt−2 merge two Gaussians (∗).

即 $x t x_t$ xt是在 $x t − 1 x_{t-1}$ xt−1的基础上，增加一个满足高斯分布的噪声 $ϵ t − 1 \epsilon_{t-1}$ ϵt−1，循环递归，即 $x t x_t$ xt可进一步推导为在 $x 0 x_0$ x0的基础上，增加一个满足高斯分布的噪声 $ϵ \epsilon$ ϵ。这里使用了高斯分布的一个特性，即两个高斯分布合并后仍是一个高斯分布，例如分布 $N ( 0 , σ 1 2 I ) \mathcal{N}(0,\sigma_1^2\mathbf{I})$ N(0,σ12I)和 $N ( 0 , σ 2 2 I ) \mathcal{N}(0,\sigma_2^2\mathbf{I})$ N(0,σ22I)，合并后的分布为 $N ( 0 , ( σ 1 2 + σ 2 2 ) I ) \mathcal{N}(0,(\sigma_1^2+\sigma_2^2)\mathbf{I})$ N(0,(σ12+σ22)I)。

反向扩散过程

以上介绍了正向扩散过程，即图1从右到左，对原始图片逐步增加噪声，如果将过程逆向，即图1从左到右，那么就能从满足高斯分布的噪音 $x T ∼ N ( 0 , I ) x_T \sim \mathcal{N}(0,\mathbf{I})$ xT∼N(0,I)逐步还原原始图片样本，这就是基于扩散模型生成图片的基本思想，即从 $x T x_T$ xT到 $x 0 x_0$ x0的每一步，在给定 $x t x_t$ xt时，根据条件概率 $q ( x t − 1 ∣ x t ) q(x_{t-1}|x_t)$ q(xt−1∣xt)采样求解 $x t − 1 x_{t-1}$ xt−1，直至最终得到 $x 0 x_0$ x0。而当正向扩散过程每步增加的噪声很小时，反向扩散过程的条件概率 $q ( x t − 1 ∣ x t ) q(x_{t-1}|x_t)$ q(xt−1∣xt)也可以认为满足高斯分布，但实际上，我们不能直接求解该条件概率，因为直接求解需要整体数据集合。除直接求解外，另一个方法是训练一个模型 $p θ p_\theta$ pθ近似预估上述条件概率，可用以下公式表示：
$p θ ( x t − 1 ∣ x t ) = N ( x t − 1 ; μ θ ( x t , t ) , Σ θ ( x t , t ) ) p_\theta(x_{t-1}|x_t)=\mathcal{N}(x_{t-1};\mu_\theta(x_t,t),\Sigma_\theta(x_t,t))$ pθ(xt−1∣xt)=N(xt−1;μθ(xt,t),Σθ(xt,t))
$p θ ( x 0 : T ) = p ( x T ) ∏ t = 1 T p θ ( x t − 1 ∣ x t ) p_{\theta}(x_{0:T})=p(x_T)\prod_{t=1}^{T}{p_\theta(x_{t-1}|x_t)}$ pθ(x0:T)=p(xT)t=1∏Tpθ(xt−1∣xt)

从 $x T x_T$ xT到 $x 0 x_0$ x0的每一步，通过模型 $θ \theta$ θ，输入 $x t x_t$ xt和 $t t$ t，预测 $x t − 1 x_{t-1}$ xt−1的高斯分布的均值 $μ θ ( x t , t ) \mu_\theta(x_t,t)$ μθ(xt,t)和方差 $Σ θ ( x t , t ) \Sigma_\theta(x_t,t)$ Σθ(xt,t)，基于预测值，可以从 $x t − 1 x_{t-1}$ xt−1的高斯分布 $p θ ( x t − 1 ∣ x t ) p_\theta(x_{t-1}|x_t)$ pθ(xt−1∣xt)中进行采样，从而得到 $x t − 1 x_{t-1}$ xt−1的一个可能取值，如此循环，直至最终得到 $x 0 x_0$ x0的一个可能取值。通过上述反向扩散过程，即可以实现从一个满足高斯分布 $N ( 0 , I ) \mathcal{N}(0,\mathcal{I})$ N(0,I)的随机噪声，生成一张图片。而由于每次预测均是从一个概率密度函数中进行采样，因此，可以保证生成图片的多样性。更进一步，论文进一步将模型预测 $p θ ( x t − 1 ∣ x t ) p_\theta(x_{t-1}|x_t)$ pθ(xt−1∣xt)的均值 $μ θ ( x t , t ) \mu_\theta(x_t,t)$ μθ(xt,t)和方差 $Σ θ ( x t , t ) \Sigma_\theta(x_t,t)$ Σθ(xt,t)转化为预测噪声 $ϵ θ ( x t , t ) \epsilon_\theta(x_t,t)$ ϵθ(xt,t)，并推导出 $μ θ ( x t , t ) \mu_\theta(x_t,t)$ μθ(xt,t)和 $ϵ θ ( x t , t ) \epsilon_\theta(x_t,t)$ ϵθ(xt,t)的关系：
$μ θ ( x t , t ) = 1 α t ( x t − 1 − α t 1 − α ˉ t ϵ θ ( x t , t ) ) \mu_\theta(x_t,t)=\frac{1}{\sqrt{\alpha_t}}\left(x_t-\frac{1-\alpha_t}{\sqrt{1-\bar{\alpha}$ t}}\epsilon\theta(x_t,t)\right) μθ(xt,t)=αt 1(xt−1−αˉt 1−αtϵθ(xt,t))

因此， $p θ ( x t − 1 ∣ x t ) p_\theta(x_{t-1}|x_t)$ pθ(xt−1∣xt)可表示为：
$p θ ( x t − 1 ∣ x t ) = N ( x t − 1 ; 1 α t ( x t − 1 − α t 1 − α ˉ t ϵ θ ( x t , t ) ) , Σ θ ( x t , t ) ) p_\theta(x_{t-1}|x_t)=\mathcal{N}(x_{t-1};\frac{1}{\sqrt{\alpha_t}}\left(x_t-\frac{1-\alpha_t}{\sqrt{1-\bar{\alpha}$ t}}\epsilon\theta(x_t,t)\right),\Sigma_\theta(x_t,t)) pθ(xt−1∣xt)=N(xt−1;αt 1(xt−1−αˉt 1−αtϵθ(xt,t)),Σθ(xt,t))

论文将 $Σ θ ( x t , t ) \Sigma_\theta(x_t,t)$ Σθ(xt,t)固定为常量，通过模型预测 $ϵ θ ( x t , t ) \epsilon_\theta(x_t,t)$ ϵθ(xt,t)，并使用上述公式的概率密度函数进行采样，从 $x t x_t$ xt降噪得到 $x t − 1 x_{t-1}$ xt−1。

模型结构

DDPM中预测 $ϵ θ ( x t , t ) \epsilon_\theta(x_t,t)$ ϵθ(xt,t)的模型基于OpenAI于2017年发布的一个U-Net形式的网络结构PixelCNN++。U-Net于2015年在论文《U-Net: Convolutional Networks for Biomedical Image Segmentation》中发布，起初主要用于医学图像的切割，目前作为常用的去噪结构，广泛应用于扩散模型中。

U-Net的网络结构如图2所示，因整体结构形似字母U而得名，U型左侧是4层编码器层，对图片进行降维，U型右侧是4层解码器层，对图片进行升维。编码器的每一层，先是连续的两个卷积层（卷积核维度为3×3）和ReLU层，再接一个池化层进行下采样，然后输入下一层，卷积层的通道数逐层加倍，例如，第一层的输入是572×572的单通道图片，经过两个卷积核维度为3×3、通道为64、无padding的卷积层，输出张量维度分别为570×570×64、568×568×64，再经过一个维度为2×2的最大池化层后，输出张量维度为284×284×64，如此循环，最后一层输出的张量维度为32×32×512。在编码器层和解码器层之间的中间层，经过两个卷积层（卷积核维度为3×3、通道为1024）和ReLU层，输出的张量维度为28×28×1024。解码器的每一层，和编码器类似，也先是连续的两个卷积层（卷积核维度为3×3）和ReLU层，和编码器不同的是，解码器从下层到上层，通过一个上卷积层（卷积核维度为3×3）进行上采样（长、宽维度加倍，但通道缩小），同时，解码器每层的输入除上一层上采样的输出外，还包括同层编码器输出的裁剪。例如，解码器第一层的输入，包括中间层上采样的输出，张量维度为56×56×512，和同层编码器输出的裁剪，张量维度为56×56×512，合并后的张量维度为56×56×1024，经过两个卷积核维度为3×3、通道为512的卷积层，输出张量维度分别为54×54×512、52×52×512。解码器最后一层的输出，再通过一个1×1的卷积层，将原先的64通道映射为指定的通道，因为原始U-Net用于图像切割，即对图像每个像素做分类，所以有多少个分类，即有多少个最终的通道。

而PixelCNN++于2017年在论文《PixelCNN++: Improving the PixelCNN with Discretized Logistic Mixture Likelihood and Other Modifications》中发布，其网络结构如图3所示。图中，矩形区块对应于U-Net中的编码器或解码器层，共3个编码器层、3个解码器层。在每个编码器或解码器中，PixelCNN++在原U-Net两个卷积层的基础上，增加了一个残差连接。DDPM进一步进行网络结构的改进，包括：使用Group Normalization进行归一化；在残差卷积块后增加自注意力层；使用Transformer中Sinusoidal Position Embedding对步数 $t t$ t编码成Embedding向量作为模型输入。 DDPM的代码开源，代码地址是：github.com/hojonathanh...，其深度学习框架采用Tensorflow，计算资源采用Google Cloud TPU v3-8。diffusion_tf/models/unet.py中定义了网络结构，核心代码如下所示（增加了部分注释）：

python 复制代码

  with tf.variable_scope(name, reuse=reuse):
    # Timestep embedding
    # 将步数t编码成Embedding向量  
    with tf.variable_scope('temb'):
      temb = nn.get_timestep_embedding(t, ch)
      temb = nn.dense(temb, name='dense0', num_units=ch * 4)
      temb = nn.dense(nonlinearity(temb), name='dense1', num_units=ch * 4)
      assert temb.shape == [B, ch * 4]

    # Downsampling
    # 多层编码器层
    hs = [nn.conv2d(x, name='conv_in', num_units=ch)] 
    for i_level in range(num_resolutions):
      with tf.variable_scope('down_{}'.format(i_level)):
        # Residual blocks for this resolution
        # 构造编码器层，残差卷积块+自注意力层，并进行下采样   
        for i_block in range(num_res_blocks):
          h = resnet_block(
            hs[-1], name='block_{}'.format(i_block), temb=temb, out_ch=ch * ch_mult[i_level], dropout=dropout)
          if h.shape[1] in attn_resolutions:
            h = attn_block(h, name='attn_{}'.format(i_block), temb=temb)
          hs.append(h)
        # Downsample
        if i_level != num_resolutions - 1:
          hs.append(downsample(hs[-1], name='downsample', with_conv=resamp_with_conv))

    # Middle
    # 中间层，残差卷积块+自注意力层+残差卷积块       
    with tf.variable_scope('mid'):
      h = hs[-1]
      h = resnet_block(h, temb=temb, name='block_1', dropout=dropout)
      h = attn_block(h, name='attn_1'.format(i_block), temb=temb)
      h = resnet_block(h, temb=temb, name='block_2', dropout=dropout)

    # Upsampling
    # 多层解码器层    
    for i_level in reversed(range(num_resolutions)):
      with tf.variable_scope('up_{}'.format(i_level)):  
        # Residual blocks for this resolution
        # 构造解码器层，残差卷积块+自注意力层，并进行上采样  
        for i_block in range(num_res_blocks + 1):
          h = resnet_block(tf.concat([h, hs.pop()], axis=-1), name='block_{}'.format(i_block),
                           temb=temb, out_ch=ch * ch_mult[i_level], dropout=dropout)
          if h.shape[1] in attn_resolutions:
            h = attn_block(h, name='attn_{}'.format(i_block), temb=temb)
        # Upsample
        if i_level != 0:
          h = upsample(h, name='upsample', with_conv=resamp_with_conv)
    assert not hs

    # End
    # 最后再经过一个卷积层输出  
    h = nonlinearity(normalize(h, temb=temb, name='norm_out'))
    h = nn.conv2d(h, name='conv_out', num_units=out_ch, init_scale=0.)
    assert h.shape == x.shape[:3] + [out_ch]
    return h

其中，残差卷积块的代码如下（增加了部分注释）：

python 复制代码

def resnet_block(x, *, temb, name, out_ch=None, conv_shortcut=False, dropout):
  B, H, W, C = x.shape
  if out_ch is None:
    out_ch = C

  with tf.variable_scope(name):
    h = x

    # 对图片进行归一化和非线性转化  
    h = nonlinearity(normalize(h, temb=temb, name='norm1'))
    # 对图片进行卷积  
    h = nn.conv2d(h, name='conv1', num_units=out_ch)

    # add in timestep embedding
    # 对步数t的embedding向量进行非线性转化，并合并至图片  
    h += nn.dense(nonlinearity(temb), name='temb_proj', num_units=out_ch)[:, None, None, :]

    # 对合并图片和步数后的输入再进行归一化和非线性转化，并再进行卷积  
    h = nonlinearity(normalize(h, temb=temb, name='norm2'))
    h = tf.nn.dropout(h, rate=dropout)
    h = nn.conv2d(h, name='conv2', num_units=out_ch, init_scale=0.)

    # 对两次卷积后的输出和原始输入进行残差连接  
    if C != out_ch:
      if conv_shortcut:
        x = nn.conv2d(x, name='conv_shortcut', num_units=out_ch)
      else:
        x = nn.nin(x, name='nin_shortcut', num_units=out_ch)

    assert x.shape == h.shape
    print('{}: x={} temb={}'.format(tf.get_default_graph().get_name_scope(), x.shape, temb.shape))
    return x + h

自注意力层的代码如下（即Transformer中的缩放点积注意力层）：

python 复制代码

def attn_block(x, *, name, temb):
  B, H, W, C = x.shape
  with tf.variable_scope(name):
    h = normalize(x, temb=temb, name='norm')
    q = nn.nin(h, name='q', num_units=C)
    k = nn.nin(h, name='k', num_units=C)
    v = nn.nin(h, name='v', num_units=C)

    w = tf.einsum('bhwc,bHWc->bhwHW', q, k) * (int(C) ** (-0.5))
    w = tf.reshape(w, [B, H, W, H * W])
    w = tf.nn.softmax(w, -1)
    w = tf.reshape(w, [B, H, W, H, W])

    h = tf.einsum('bhwHW,bHWc->bhwc', w, v)
    h = nn.nin(h, name='proj_out', num_units=C, init_scale=0.)

    assert h.shape == x.shape
    print(tf.get_default_graph().get_name_scope(), x.shape)
    return x + h

训练采样

训练

通过模型预测误差 $ϵ θ ( x t , t ) \epsilon_\theta(x_t,t)$ ϵθ(xt,t)，损失函数采用均方误差（MSE，Mean-Squared Error）：
$L simple : = E t ∼$ $1 , T$ , x 0 ∼ q ( x 0 ) , ϵ ∼ N ( 0 , I ) $∥ ϵ - ϵ θ ( x t , t ) ∥ 2$ L_{\text{simple}}:=E_{t\sim $1,T$ ,x_0\sim q(x_0),\epsilon\sim\mathcal{N}(0,\mathbf{I})} $\\parallel\\epsilon-\\epsilon_\\theta(x_t,t)\\parallel\^2$ Lsimple:=Et∼ $1,T$ ,x0∼q(x0),ϵ∼N(0,I) $∥ϵ-ϵθ(xt,t)∥2$

模型训练的目标即最小化上述损失函数，即使模型预测出的噪声 $ϵ θ ( x t , t ) \epsilon_\theta(x_t,t)$ ϵθ(xt,t)和真实噪声 $ϵ \epsilon$ ϵ尽可能接近。

训练算法如图4所示，采用梯度下降算法，循环下述过程直至模型收敛：

对于样本 $x 0 x_0$ x0，从 ${ 1 , . . . , T } \{1,...,T\}$ {1,...,T}中随机采样步数 $t t$ t；
从高斯分布 $N ( 0 , I ) \mathcal{N}(0,\mathbf{I})$ N(0,I)中采样真实噪声 $ϵ \epsilon$ ϵ；
根据样本 $x 0 x_0$ x0和真实噪声 $ϵ \epsilon$ ϵ，使用前面推导出的公式 $x t = α ˉ t x 0 + 1 − α ˉ t ϵ x_t=\sqrt{\bar{\alpha}_t}x_0+\sqrt{1-\bar{\alpha}_t}\epsilon$ xt=αˉt x0+1−αˉt ϵ计算第 $t t$ t步正向扩散后带噪声的图片 $x t x_t$ xt；
根据带噪声的图片 $x t x_t$ xt和步数 $t t$ t，使用模型预测噪声 $ϵ θ ( x t , t ) \epsilon_\theta(x_t,t)$ ϵθ(xt,t)，即 $ϵ θ ( α ˉ t x 0 + 1 − α ˉ t ϵ , t ) \epsilon_\theta(\sqrt{\bar{\alpha}_t}x_0+\sqrt{1-\bar{\alpha}_t}\epsilon,t)$ ϵθ(αˉt x0+1−αˉt ϵ,t)；
根据真实噪声 $ϵ \epsilon$ ϵ和预测噪声 $ϵ θ ( α ˉ t x 0 + 1 − α ˉ t ϵ , t ) \epsilon_\theta(\sqrt{\bar{\alpha}$ t}x_0+\sqrt{1-\bar{\alpha}t}\epsilon,t) ϵθ(αˉt x0+1−αˉt ϵ,t)计算损失函数的梯度，即 $∇ θ ∥ ϵ − ϵ θ ( α ˉ t x 0 + 1 − α ˉ t ϵ ) ∥ 2 \nabla$ \theta\parallel\epsilon-\epsilon\theta(\sqrt{\bar{\alpha}_t}x_0+\sqrt{1-\bar{\alpha}_t}\epsilon)\parallel^2 ∇θ∥ϵ−ϵθ(αˉt x0+1−αˉt ϵ)∥2；
根据梯度和学习率超参更新模型参数。

采样

采样算法如图5所示，过程如下：

从高斯分布 $N ( 0 , I ) \mathcal{N}(0,\mathbf{I})$ N(0,I)中采样完全噪声图片 $x T x_T$ xT；
循环 T T T步，步数从 T T T到1，直至计算得到 x 0 x_0 x0，生成最终的图片，对于其中的某一步 t t t：
- 根据带噪声的图片 $x t x_t$ xt和步数 $t t$ t，使用模型预测噪声 $ϵ θ ( x t , t ) \epsilon_\theta(x_t,t)$ ϵθ(xt,t)；
- 前面已推导出概率密度函数 $p θ ( x t − 1 ∣ x t ) p_\theta(x_{t-1}|x_t)$ pθ(xt−1∣xt)满足高斯分布 $N ( x t − 1 ; 1 α t ( x t − 1 − α t 1 − α ˉ t ϵ θ ( x t , t ) ) , Σ θ ( x t , t ) ) \mathcal{N}(x_{t-1};\frac{1}{\sqrt{\alpha_t}}\left(x_t-\frac{1-\alpha_t}{\sqrt{1-\bar{\alpha}$ t}}\epsilon\theta(x_t,t)\right),\Sigma_\theta(x_t,t)) N(xt−1;αt 1(xt−1−αˉt 1−αtϵθ(xt,t)),Σθ(xt,t))，使用公式 $μ θ ( x t , t ) = 1 α t ( x t − 1 − α t 1 − α ˉ t ϵ θ ( x t , t ) ) \mu_\theta(x_t,t)=\frac{1}{\sqrt{\alpha_t}}\left(x_t-\frac{1-\alpha_t}{\sqrt{1-\bar{\alpha}$ t}}\epsilon\theta(x_t,t)\right) μθ(xt,t)=αt 1(xt−1−αˉt 1−αtϵθ(xt,t))由噪声 $ϵ θ ( x t , t ) \epsilon_\theta(x_t,t)$ ϵθ(xt,t)计算均值 $μ θ ( x t , t ) \mu_\theta(x_t,t)$ μθ(xt,t)；
- 对于上述概率密度函数，指定方差 $Σ θ ( x t , t ) \Sigma_\theta(x_t,t)$ Σθ(xt,t)为常量，根据该分布进行采样，从 $x t x_t$ xt得到 $x t − 1 x_{t-1}$ xt−1，即 $x t − 1 = 1 α t ( x t − 1 − α t 1 − α ˉ t ϵ θ ( x t , t ) ) + σ t z x_{t-1}=\frac{1}{\sqrt{\alpha_t}}\left(x_t-\frac{1-\alpha_t}{\sqrt{1-\bar{\alpha}$ t}}\epsilon\theta(x_t,t)\right) +\sigma_tz xt−1=αt 1(xt−1−αˉt 1−αtϵθ(xt,t))+σtz。

从DDPM到DALL-E2和Stable Diffusion——扩散模型相关论文阅读（1）

DDPM

正向扩散过程

反向扩散过程

模型结构

训练采样

训练

采样

参考文献