待验证60% 置信事实精确时间
采样操作本身不可导，但训练时损失函数是对噪声预测的回归，梯度可以正常回传。
2
来源数
60%
置信度
长期有效
时效性
2026/10/26
首次发现
来源
扩散模型入门：从DDPM原理到UNet实战代码
bilibili唐宇迪的AI课堂2026/10/9
涉及实体
相关事实
已验证几何变换后必须记录变换参数并对预测框进行逆变换对齐，忽略该步骤会导致一致性损失语义错位而损害训练效果79% 相似待验证ALD 使用边际优先分解，将稳定噪声表示为标量高斯尺度混合形式，使得训练目标回归到标准高斯噪声预测损失，只需额外增加一个标量尺度输入。76% 相似待验证实验结论二：一些自蒸馏方法在训练结束时给出漂亮分数，但训练过程中出现剧烈性能波动甚至崩溃后恢复的情况，仅看最终指标无法发现这些问题。74% 相似待验证在采样梯度场景下，当学习率η减小时，固定β下的期望增益消失速度快于波动本身，导致动量好处被噪声吞噬。73% 相似待验证统一噪声调度使非对称工作流（以一个模态为条件合成或编辑另一模态）在训练中未被覆盖，模型无法胜任。73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1101528API
curl https://kongchang.com/api/v1/knowledge/claims/1101528MCP
get_claim(id=1101528)