共计 1308 个字符，预计需要花费 4 分钟才能阅读完成。

物理直觉：扩散模型像什么？

想象把一滴墨水滴进清水杯里——最初墨水集中在一个点（清晰图像），随着时间推移逐渐扩散成模糊的云雾状（噪声）。扩散模型的核心思想就是 学习如何逆转这个过程：我们教神经网络观察那杯浑浊的水，一步步还原出最初的墨水痕迹。

三阶段实现拆解

1. 前向扩散：有计划地搞破坏

前向过程就像定时往图像里加胡椒粉，关键是要 控制每次撒的量。这里用余弦调度（比线性更稳定）计算 β_t：

def cosine_beta_schedule(timesteps, s=0.008):
    """余弦噪声调度，s 控制平滑度"""
    steps = timesteps + 1
    x = torch.linspace(0, timesteps, steps)
    alphas_cumprod = torch.cos(((x / timesteps) + s) / (1 + s) * math.pi * 0.5) ** 2
    alphas_cumprod = alphas_cumprod / alphas_cumprod[0]
    betas = 1 - (alphas_cumprod[1:] / alphas_cumprod[:-1])
    return torch.clip(betas, 0, 0.999)

2. 反向去噪：UNet 的侦探工作

UNet 的任务是预测噪声——就像侦探从模糊照片里找出哪些是原始内容，哪些是后来添加的干扰。关键设计：

• 残差连接：像搭建跨层桥梁，防止深层网络遗忘早期特征
• 注意力机制：让网络知道图像不同区域的关系（比如狗鼻子和眼睛应该协调）

3. 采样：从混沌中创造秩序

采样时我们带着 UNet 玩「大家来找茬」游戏：

1. 先生成一张纯噪声图片（就像电视雪花屏）
2. 让 UNet 指出噪声在哪里
3. 擦掉部分噪声，重复直到清晰

def sample(model, image_size, timesteps=1000):
    """从噪声逐步生成图像"""
    x = torch.randn(1, 3, image_size, image_size)  # 初始噪声
    for t in reversed(range(timesteps)):
        noise_pred = model(x, t)  # UNet 预测噪声
        x = remove_noise(x, noise_pred, t)  # 根据预测去噪
    return x

避坑实战手册

硬件限制应对

• 梯度累积：当 GPU 放不下大 batch 时

  for _ in range(accum_steps):
      loss.backward()  # 不立即更新，累积梯度
  optimizer.step()    # 累积够再更新

参数调节经验

常见问题解决

• 生成碎片化：尝试调大 UNet 通道数
• 颜色偏差：检查数据标准化是否一致
• 重复模式：增加 dropout 或噪声多样性

思考与延伸

如果改变噪声添加策略（比如前期加噪快后期慢），会对生成效果产生什么影响？推荐阅读论文《Improved Denoising Diffusion Probabilistic Models》探索进阶技巧。

关键收获：扩散模型本质是学习「噪声的规律」，掌握这点就抓住了核心。代码完整版已上传 GitHub（见文末链接），包含猫狗图像生成实战案例。