AI 图像生成技术已从十年前 生成对抗网络GAN（GAN）时代分辨率低、模糊不清的早期形态，进化到如今高分辨率、全彩色、光影材质逼真、物理逻辑严谨的水平。这场视觉革命的核心引擎是扩散模型（Diffusion Models）。斯坦福大学的王牌课程 CME 296《扩散与大视觉模型（Diffusion & Large Vision Models）》，由曾就职于 Uber、Google，现任职于 Netflix 的阿米迪兄弟（哥哥阿夫申·阿米迪 Afshine Amidi，弟弟谢尔文·阿米迪 Shervine Amidi）主讲，深入浅出地揭示了这一技术的原理。

从“无到有”到“雕刻”：扩散模型的哲学转变

传统的生成模型和人类的创作思维类似，试图从无到有地绘制图像。然而，扩散模型颠覆了这一范式，它借鉴了文艺复兴雕塑家米开朗基罗（Michelangelo）“雕塑已存在于大理石中，我只是凿掉多余部分”的哲学。在扩散模型的宇宙里，原始的大理石便是一团纯粹的随机噪声（Random Noise），生成图像的过程即是去噪（Denoising），一步步移除噪声，最终显露出隐藏的图像。

我们之所以选择从噪声而非白纸开始，主要有三点原因：

1. 易获取性：数学上，从标准概率分布采样噪声极为容易。
2. 随机性引入：噪声的随机性保证了生成内容的多样性，即使输入相同提示词，也能产生姿态、光影各异的图像。
3. 数学性质：常用的高斯分布（Gaussian Distribution）具有优美且方便的数学性质，是后续复杂推导的基石。

前向过程：如何优雅地“毁掉”一张图像

为了教会 AI 如何去噪，我们首先需要理解噪声如何破坏图像。这就是前向过程（Forward Process），即加噪过程。我们从一张高清图片 X0 开始，设定一千个时间步（T=1000）。在每一步 t，向图像 X_{t-1} 中注入少量高斯噪声，得到 X_t。这个过程可以用条件概率 q(X_t | X_{t-1}) 来精确表达，它服从一个高斯分布。

这个过程引入了一个关键超参数——方差调度（Variance Schedule），通常用 Beta_t 表示，它是一个非常小的正数，且随步数 t 略微增大。在经典的 去噪扩散概率模型DDPM（Denoising Diffusion Probabilistic Models） 中，X_t 的均值被设定为 sqrt(1 - Beta_t) * X_{t-1}，方差为 Beta_t * I（单位矩阵）。这种“方差保留（Variance Preserving）”的设计通过在加噪前按比例缩小原始图像信号（乘以小于1的系数），确保了图像总方差在可控范围内，避免了数值溢出。

同时，**各向同性高斯分布（Isotropic Gaussian）**的假设——即每个像素的噪声是独立添加的——极大地简化了计算复杂度，使得在普通显卡上训练成为可能。

核心数学洞察：直接跳跃至任意时间步

传统的逐步加噪计算量巨大。数学家们利用高斯分布的叠加性质，发现可以通过一个公式直接计算任意时间步 t 的模糊图像 X_t，而无需逐步推导。定义 Alpha_t = 1 - Beta_t 及其累乘 Alpha_bar_t，我们得到了一个震撼的结论：给定原始图像 X0，可以直接计算出 X_t，其分布为高斯分布，均值为 sqrt(Alpha_bar_t) * X0，方差为 (1 - Alpha_bar_t) * I。

这个结论极大地提升了训练效率，因为我们可以在训练阶段随机抽取任意时间步 t，直接将清晰图像转化为该时刻的噪声图像，丢给神经网络学习。它也直观解释了为何随着 t 增大，Alpha_bar_t 趋近于零，图像最终会坍缩成纯高斯噪声。

逆向过程：从噪声到秩序的挑战与变分推断

真正的挑战在于逆向的去噪过程（Reverse Process）：如何从纯噪声 X_T 生成清晰图像 X0。这等价于求解逆向条件概率分布 q(X_{t-1} | X_t)。然而，根据贝叶斯定理，求解这个分布需要遍历所有可能的清晰图像 X0 来计算边缘概率，这是一个**不可解（Intractable）**的任务。

面对此困境，**深度学习中的变分推断（Variational Inference）**思想应运而生。我们用一个强大的深度神经网络 p_theta 来近似真实的逆向过程 q。目标是最大化模型生成真实图像 X0 的概率 log p_theta(X0)。

詹森不等式（Jensen's Inequality）在此展现了其威力，它将无法直接优化的对数似然目标转化为一个证据下界（Evidence Lower Bound, ELBO）。通过不断提高 ELBO，也就间接推高了真实概率。ELBO 主要由一系列**KL 散度（KL Divergence）**求和构成，用于衡量两个概率分布的相似度。

在 ELBO 公式中，我们需要比较的是神经网络预测的分布 p_theta(X_{t-1} | X_t) 和一个“上帝视角”下的真实分布 q(X_{t-1} | X_t, X0)。这个带有 X0 条件的 q 分布是可解的，且服从高斯分布。比较两个高斯分布的 KL 散度，在方差固定一致的假设下，等价于计算它们均值之间的均方误差（Mean Squared Error, MSE）。

最终损失函数：预测纯噪声

经过一系列复杂的概率推导，ELBO 被简化为一个极其直观的损失函数：比较真实均值和预测均值的 L2 距离。更进一步，在经典的 DDPM 论文中，通过变量替换，研究人员发现让神经网络预测复杂的均值，数学上等价于让它直接预测在第 t 步时加入的纯噪声 Epsilon。

最终的损失函数形式极为简洁：计算神经网络预测噪声 Epsilon_theta(X_t, t) 与真实噪声 Epsilon 之间的 MSE。训练过程因此变得简单粗暴：抽取 X0、t、Epsilon，计算 X_t，将 X_t 和 t 喂给 Epsilon_theta 预测噪声，计算预测噪声与真实噪声的误差，然后反向传播更新参数。每一次训练，网络都在学习如何从马赛克中精准剥离噪声。

一个重要的**启发式（Heuristic）**改进是，DDPM 论文作者发现移除损失函数中与 Beta_t 相关的权重系数，让模型对所有时间步误差一视同仁，反而能提升生成图像质量。

推理过程：从噪声到艺术的创作循环

推理（Inference）过程是模型进行创作的阶段。当用户输入提示词后，系统首先从标准高斯分布采样一个随机噪声矩阵 X_T（时间步 T=1000）。随后启动一个循环：

1. 将当前噪声图像 X_t 和时间步 t 喂给神经网络 Epsilon_theta，预测噪声。
2. 根据前向过程的更新公式，从 X_t 中减去一部分预测的噪声。
3. 关键一步：在此基础上，重新加上一点点随机的高斯噪声，得到 X_{t-1}。

为什么要加回噪声？这是因为扩散模型本质上是基于**马尔可夫链（Markov Chain）的朗之万动力学（Langevin Dynamics）**过程。仅仅沿着神经网络预测的梯度方向前进，容易陷入局部最优。每次加回的微小随机噪声，如同“热涨落”，为模型提供了保持活力的“脚踹”，使其在图像流形附近游走，防止错误累积。随着 t 趋近于零，引入的随机噪声方差也随之减小。

这个“预测噪声、减去部分噪声、再加回一点随机噪声”的循环执行一千次，每次都使画面略微清晰，最终在 t=0 时输出一张全新的、真实的图像。

工程瓶颈与 DDIM 优化：提速的魔法

尽管过程充满数学浪漫，但推理阶段需要运行庞大的神经网络上千次，导致扩散模型速度极其缓慢（可能需要几分钟生成一张图），这在商业应用中是无法忍受的。

**DDIM（Denoising Diffusion Implicit Models）**应运而生，它打破了性能瓶颈。DDIM 的核心洞察在于，DDPM 是严格的马尔可夫过程，但训练中起决定作用的是瞬间跳跃的边缘分布 q(X_t | X0)。只要保证最终噪声分布符合预期，不必关心每一步如何从 X_{t-1} 演变而来。

DDIM 构造了一个全新的**非马尔可夫（Non-Markovian）**前向过程，使得每个状态 X_t 都隐式地与 X0 相关联。神奇的是，其训练目标（噪声预测损失）与 DDPM 相同，这意味着可以直接使用 DDPM 训练好的模型进行 DDIM 推理，无需修改模型本身。

DDIM 的加速秘诀在于其推理公式中的随机性参数 Sigma_t。DDIM 将 Sigma_t 强制设定为零，将过程转变为一个完全确定的**常微分方程（ODE）**求解过程。一旦初始噪声相同，结果就完全确定。更重要的是，由于过程确定且允许跨时间步联系，可以将原本需要一千步的退化过程压缩成一百步、二十步甚至更少。通过预测方向，模型可以直接从 T 步跳跃至 T-50、T-100 步，大幅减少了神经网络的运行次数，实现了十倍到五十倍的惊人加速，将生成时间从分钟缩短至秒级。

然而，加速并非没有代价。跳跃步数越大，累积的逼近误差导致图像质量下降（FID 指标变差）。实际部署中，工程师需要在 DDIM 的跳跃步数与最终图像质量之间寻找业务场景的最佳平衡点。

总而言之，扩散模型通过数学的优雅与工程的巧妙，实现了从混沌噪声中创造高保真图像的壮举。