【概念积累】去噪扩散模型

DDPM（Denoising Diffusion Probabilistic Models）是扩散模型的具体实现形式。

这种逐步引导模型生成、逐步增加难度的方式令我醍醐灌顶，给我的研究提供了新的思路。多读论文真的有益处无穷。

前向扩散过程：它会按照一定的规则逐步向原始数据（比如图像）中添加高斯噪声。随着时间步 t 的增加，数据会逐渐变得越来越像纯噪声，最终接近标准高斯分布。这个过程是确定性的，有着明确的数学公式来描述每一步添加噪声的方式。

反向去噪过程：这是一个学习过程，模型需要学习如何从含有噪声的数据中逐步去除噪声，恢复出原始数据。在反向过程中，模型会根据不同的时间步预测出应该去除的噪声，然后逐渐将噪声数据还原为目标数据。而 “可训练” 就体现在反向去噪过程中，通过大量的数据对模型进行训练，让模型学习到如何准确地预测噪声并进行去噪操作，使得生成的数据与原始训练数据尽可能相似。