1小时搞懂扩散模型：从原理到代码实战

扩散模型（Diffusion Model）已成为生成式AI的核心技术之一，从DALL·E 2到Stable Diffusion，其影响力席卷了整个AI领域。但许多初学者面对复杂的数学推导和论文时往往望而却步。本文基于B站UP主的保姆级教程，用通俗的语言拆解扩散模型的原理、公式推导与代码实现，帮助你快速建立直观理解。

从GAN到扩散模型：为什么需要新方法？

生成对抗网络（GAN）曾是最流行的生成模型，但它存在两大痛点：训练不稳定和模式崩溃。GAN需要同时训练生成器和判别器，两者博弈过程难以收敛，损失函数波动大，且生成器容易走“捷径”学到偏见，导致输出多样性差。据UP主形容，训练GAN就像“两个玩家互相氪金升级”，最终可能一方倾家荡产，另一方盆满钵满——过程极难控制。

扩散模型则另辟蹊径：它不依赖对抗训练，而是通过前向加噪和反向去噪两个过程，将数据分布逐步转换为噪声，再学习从噪声中恢复数据。这种思路最早在2015年就被提出，但直到DALL·E 2等模型展示了惊艳效果后才真正爆发。UP主指出，DALL·E 2的论文虽然简略，但明确揭示了其基于扩散模型的本质。

模式崩溃（Mode Collapse） 是GAN训练中的典型失败模式：生成器发现某些样本特别容易骗过判别器后，便会反复输出这类样本，放弃覆盖数据分布的其他模式。结果是生成结果高度雷同，多样性严重不足。例如在人脸数据上训练，生成器可能只产出同一种面孔。其根源在于生成器的目标是“骗过判别器”而非“覆盖真实分布”，两者目标并不完全一致。扩散模型以逐级去噪的方式建模整个数据分布，每个噪声级别都对应一个学习目标，天然规避了这种“走捷径”的问题。

前向过程：一步步加噪，直到面目全非

前向过程（Forward Process）的核心思想是：对原始图像X0逐步添加高斯噪声，经过T步后得到一个纯噪声图像XT。每一步加的噪声量由β_t控制，且β_t随时间递增（从0.001到0.002线性衰减），确保后期加入更多噪声。

数学上，每一步的加噪公式为：

X_t = √(1-β_t) * X_{t-1} + √β_t * Z_t

其中Z_t服从标准正态分布。通过递推，可以推导出任意时刻Xt与X0的直接关系：

X_t = √(α̅_t) * X0 + √(1-α̅_t) * Z

这里α_t = 1-β_t，α̅_t是α_t的累乘。这个公式的精妙之处在于：无需迭代，给定X0和t，就能直接采样出Xt。UP主用“酒鬼走路”比喻：每一步都随机偏移，但整体趋势是越来越远离起点。

重参数化技巧（Reparameterization Trick） 是扩散模型公式推导的关键工具。当我们需要从高斯分布 N(μ, σ²) 中采样时，可以直接写成 μ + σ·ε，其中 ε 服从标准正态分布 N(0,1)。这样采样结果对 μ 和 σ 的依赖是显式的，梯度可以顺畅地回传到网络参数上。前向加噪公式 X_t = √(1-β_t)·X_{t-1} + √β_t·Z_t 正是这一技巧的体现：把随机性全部交给独立的 Z_t，而均值和方差由确定性系数控制。这使得任意时刻的 X_t 都能写成 X0 与标准噪声的线性组合，为推导闭式解铺平了道路。

反向过程：从噪声中恢复数据

反向过程（Reverse Process）的目标是从XT逐步去噪，最终生成X0。直接由XT预测X0几乎不可能，因此采用贝叶斯公式，将问题转化为学习条件分布p(X_{t-1}|X_t)。推导后，均值μ_θ可表示为：

μ_θ = (1/√α_t) * (X_t - (β_t/√(1-α̅_t)) * ε_θ(X_t, t))

其中ε_θ是一个神经网络，用于预测噪声。UP主强调，这个网络需要输入X_t和时刻t（类似Transformer的位置编码），输出预测的噪声。训练时，损失函数就是预测噪声与真实噪声的均方误差。

贝叶斯公式在反向过程中的作用值得展开说明。前向过程定义了已知的 q(X_t|X_{t-1})，而反向过程需要的是 p(X_{t-1}|X_t)，两者方向相反。直接计算该条件分布需要知道真实数据分布，这恰恰是我们想学习的。贝叶斯公式将其改写为 p(X_{t-1}|X_t) ∝ p(X_t|X_{t-1})·p(X_{t-1})，其中第一项来自前向过程的已知高斯形式，第二项则用神经网络近似。进一步地，当 β_t 足够小时，反向过程的条件分布也可近似为高斯分布，其均值可以解析地表示为 X_t 与预测噪声 ε_θ 的函数，这正是文中 μ_θ 公式的来源。

训练与采样：代码实战

训练阶段，从数据集中采样X0，随机选择时刻t，生成噪声Z，计算Xt，然后让UNet预测噪声，计算损失并反向传播。UP主用Fashion-MNIST数据集演示，代码仅需几十行。采样阶段，从纯噪声XT开始，迭代调用训练好的UNet预测噪声，逐步去噪，直到得到X0。

UP主特别提到，原始论文使用UNet作为噪声预测网络，并结合了注意力机制。虽然为何用UNet而非纯Transformer尚无定论，但实践表明小规模网络已足够。

UNet 的结构特点：UNet 最初用于医学图像分割，其名称来自对称的“U”形结构——左侧编码器逐级下采样提取语义特征，右侧解码器逐级上采样恢复空间分辨率，并通过跳跃连接（Skip Connection）将同层级的浅层特征直接拼接到解码器。在扩散模型中，UNet 的输入是带噪图像 X_t，输出是与输入同尺寸的预测噪声图。时刻 t 通常通过正弦位置编码嵌入后，注入到每个残差块中，使网络知道当前处于哪个噪声级别。跳跃连接保留了高频细节，这对精确预测噪声至关重要，也是 UNet 优于纯 Transformer 的实践原因之一。

总结与展望

扩散模型通过简洁的数学框架和稳定的训练过程，克服了GAN的诸多缺陷。尽管推导涉及概率论和重参数化技巧，但核心思想可以概括为“加噪容易去噪难，神经网络来帮忙”。UP主认为，扩散模型仍处于快速发展期，未来可能在更多领域爆发。对于初学者，建议先理解整体流程，再逐步深入公式细节。