一、功能（解决问题）
1.根据文字生成图片
2.根据给定的图片生成相似风格画作
3.图片延展
二、发展过程
1.2015年斯坦福大学四位研究者提出
2.2020年底加州伯克利学者改进
3.2021年OpenAI结合CLIP做了进一步优化，实现了诸多AI作画功能
三、应用：Dalle2（2021-2022）
目前非常火爆的AI作画工具。
四、类比（图像生成模型）
当前有四大生成模型：生成对抗模型、变微分自动编码器、流模型以及扩散模型。扩散模型（diffusion models）是当前深度生成模型中新SOTA（State of the art）。扩散模型在图片生成任务中超越了原SOTA：GAN，并且在诸多应用领域都有出色的表现。
1.生成对抗网络（GAN）【生成器+判别器】
主要和GAN做一个对比，目前主流的为Diffusion，原因如下。
1）GAN要训练双网络，难度较大，容易不收敛，多样性差（训练生成器），关注方向为骗过判别器（关注点偏）。
2）Diffusion网络方式更简单，GAN不好观察损失。
2.变微分自编码器（VAE）
3.流模型（Flow-based model）
五、原理：扩散现象
物理：物质分子从高浓度向低浓度区域转移，直到均匀分布。
AI：由熵增定律驱动，先给一幅图片增加噪声，让其变得极其混乱，再训练AI把混乱的照片变回有序（实现图片生成）。
六、实现方式
1.前向过程（加噪）
1）不断往输入数据中增加噪声，最后变为纯噪声（#噪声（Noise）：是真实标记与数据集中的实际标记间的偏差。）。
2）每一个时刻都要增加高斯噪声,后一时刻都是前一时刻增加噪声得到。
3）这个过程可以看做不断构建标签的过程。
使用马尔科夫链进行的前向扩散过程，通过每次加入一点噪声生成一个样本
高斯分布：
前向过程是不断加噪的过程，加入的噪声随着时间步增加增多，根据马尔可夫定理，加噪后的这一时刻与前一时刻的相关性最高也与要加的噪音有关（是与上一时刻的影响大还是要加的噪音影响大，当前向时刻越往后，噪音影响的权重越来越大了，因为刚开始加一点噪声就有效果，之后要加噪声越来越多 ）
2.反向过程（去噪）
从一个随机噪声开始，逐步还原成不带噪音的原始图片——去噪过程，逆向过程其实时生成数据的过程。
ZT其实就是我们要估计的每个时刻的噪声：
1）无法直接求解，需要训练一个模型计算
2）模型输入参数有2个，分别为当前时刻的分布和时刻t
七、参考
What are Diffusion Models? | Lil'Log
https://openreview.net/attachment?id=2LdBqxc1Yv&name=supplementary_material
https://arxiv.org/abs/2204.00227
Variational Diffusion Models | OpenReview
Diffusion model—扩散模型_原来如此-的博客-CSDN博客_扩散模型
【Diffusion模型】由浅入深了解Diffusion，不仅仅是震撼，感受它带给我们的无限可能！！（超详细的保姆级入门教程）_哔哩哔哩_bilibili