待验证50% 置信事实精确时间

扩散骨干网络的输入同时包含潜在图像（latent image）与扩散噪声（diffusion noise）两类信息，噪声实际编码了扩散轨迹信息

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

长跳跃连接为何决定DiT模型的特征表达能力

涉及实体

diffusion noiseconcept diffusion trajectoryconcept

相关事实

已验证扩散模型通过在海量图像数据上训练，学会了从随机噪声中逐步去噪生成图像的能力74% 相似已验证扩散模型是一类基于马尔可夫链的生成模型，核心思想是通过前向加噪和反向去噪来捕捉数据分布74% 相似已验证扩散模型在图生图或参考图引导生成时，输入图像的信噪比会直接影响输出结果的细节还原度与风格传递准确性73% 相似已验证扩散模型的核心原理分为前向扩散过程（逐步添加高斯噪声）和反向去噪过程（从噪声中还原图像）两个阶段72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1001621

API

curl https://kongchang.com/api/v1/knowledge/claims/1001621

MCP

get_claim(id=1001621)