扩散模型入门：从去噪直觉到 Stable Diffusion

理解扩散模型的物理直觉

在 AIGC 领域，扩散模型（Diffusion Models）已成为图像生成的主流范式。要真正掌握这一技术，首先需要建立直观的物理认知。我们可以将扩散过程类比为墨水滴入清水中的扩散现象，或者更准确地说，是热力学中的布朗运动。

在前向过程中，模型通过逐步向原始数据添加高斯噪声，最终将清晰的图像转化为纯随机噪声。这个过程是可逆的数学推导基础。而在反向过程中，模型的任务则是学习如何从纯噪声中一步步“去噪”，还原出原始数据的分布。这种从无序到有序的重建能力，正是生成高质量图像的关键。对于初学者而言，理解这一“加噪-去噪”的双向流程，比死记硬背公式更为重要，因为它揭示了模型为何能够捕捉复杂的数据结构。

DDPM 的核心训练逻辑

DDPM（Denoising Diffusion Probabilistic Models）奠定了现代扩散模型的基础架构。其核心思想在于简化反向过程的建模难度。传统的自回归模型需要逐个像素生成，效率极低且容易累积误差；而 GAN 则面临训练不稳定的问题。

DDPM 的创新之处在于，它并不直接预测每一步去噪后的完整图像，而是让神经网络预测当前步骤中被添加的噪声。由于噪声是高斯分布且已知均值和方差，预测噪声等价于预测数据的变化量。这种设计极大地稳定了训练过程。在实际操作中，模型会在任意时间点 $t$ 采样一个带噪图像，并尝试预测该时刻的噪声。损失函数通常采用均方误差（MSE），衡量预测噪声与真实噪声之间的差异。这种简洁而强大的训练目标，使得扩散模型在保持生成质量的同时，具备了良好的可扩展性。

Stable Diffusion 的效率革命

尽管 DDPM 效果显著，但其直接在像素空间进行去噪计算量巨大，导致推理速度慢，难以满足实时交互需求。Stable Diffusion 的出现解决了这一瓶颈，其核心突破在于引入了潜在空间（Latent Space）。

借助预训练的自动编码器（Autoencoder），Stable Diffusion 先将高分辨率图像压缩到低维度的潜在特征空间中。扩散过程不再作用于数百万个像素点，而是在这个紧凑的潜在向量上进行。这不仅大幅降低了计算复杂度，还保留了图像的语义信息。此外，Stable Diffusion 结合了 U-Net 架构和交叉注意力机制，能够高效地融合文本提示词（Prompt）的信息。这种架构上的优化，使得在消费级显卡上运行高质量的图像生成成为可能，推动了 AIGC 技术的普及。

CFG 技术与实际应用考量

在应用层面，Classifier-Free Guidance（CFG）是影响生成结果可控性的关键技术。传统方法依赖额外的分类器来引导生成方向，增加了系统复杂性。CFG 通过在训练阶段随机丢弃部分条件信息（如文本提示），使同一个网络既能执行无条件生成，也能执行有条件生成。

在推理时，通过调整无条件预测和有条件预测之间的权重（即 CFG Scale），用户可以控制生成图像对提示词的遵循程度。较高的 CFG 值会使图像更贴近描述，但可能导致过度饱和或细节僵硬；较低的值则赋予模型更多自由发挥的空间，但可能偏离主题。掌握 CFG 的调节技巧，是 AIGC 从业者必备的技能之一。

结语与工具推荐

理解扩散模型的原理不仅有助于应对 AIGC 岗位的面试考核，更能提升实际工作中的调试效率。无论是调整 Prompt 还是优化生成参数，底层的去噪直觉都能提供有力的指导。

在日常学习与工作中，若遇到代码报错或概念混淆，不妨使用 字节犯儿 快速解决。只需按 Alt+Q 截取屏幕左半边，AI 即可在数秒内给出精准解答，答案直达微信。每台机器赠送 3 次试用，体验后可前往 下载 获取客户端，或通过 购买次数 获取更多服务，助力高效学习与开发。