扩散模型是什么？如何工作以及他如何解决实际的问题
在计算机视觉中，生成模型是一类能够生成合成图像的模型（文本生成图像【DALL2、Stable Diffusion】、图像生成图像【Diffusion-GAN】）。例如，一个被训练来生成人脸的模型，每次都会生成一张从未被该模型或任何人看到过的人脸。
1、GAN
生成模型最著名的例子是GAN(生成对抗网络)。它有生成器和鉴别器，生成器G用来从随机噪声生成假的的图像，判别器（Discriminator）来判断输入是真实图像还是生成图像，两者在一个极小极大的相互博弈不断变强。由于模型本身具有对抗性，我们需要同时训练2个模型，所以很难进行训练。这使得很难达到一个最优的平衡。并且由于其训练稳定性差容易出现模式崩溃（Mode collapse）
2、变分自编码器（VAE）
变分自编码器（Variational Autoencoder）通过编码器（Encoder）将原始高维输入转换为低维隐层编码，通过解码器（Decoder）从编码中重建数据。
为了可以随机生成图像，我们可以对编码器添加约束，就是强迫它产生服从高斯分布的潜在变量。然后我们只要从高斯分布中进行采样，然后把它传给解码器就可以产生随机图片了。
这种一般产生的图像比较模糊。
3、基于流的生成模型（Flow-based models）
4、扩散模型（Diffusion Model）
Diffusion Model (扩散模型) 是一类生成模型, 和 VAE (Variational Autoencoder, 变分自动编码器), GAN (Generative Adversarial Network, 生成对抗网络) 等生成网络不同的是, 扩散模型在前向阶段对图像逐步施加噪声, 直至图像被破坏变成完全的高斯噪声, 然后在逆向阶段学习从高斯噪声还原为原始图像的过程，大致分为3步：
1、前向
具体来说, 前向阶段在原始图像 上逐步增加噪声, 每一步得到的图像
只和上一步的结果
相关, 直至第
步的图像
变为纯高斯噪声. 前向阶段图示如下:
2、逆向
而逆向阶段则是不断去除噪声的过程, 首先给定高斯噪声 , 通过逐步去噪, 直至最终将原图像
给恢复出来, 逆向阶段图示如下:
3、 从噪声中生成随机图像
模型训练完成后, 只要给定高斯随机噪声, 就可以生成一张从未见过的图像.
1、前向过程：逐渐加噪声，找到X0与Xt-1、Xt-2.....Xt的关系
2、逆向过程：逐渐去噪声，找到Xt与Xt-1、Xt-2.....X0的关系
一、前向过程
- 这里咱们先看前向过程，其实就是不断往输入数据中加噪声，最后就快变成了个纯噪声
- 每一个时刻都要添加高斯噪声，后—时刻都是由前一刻是增加噪声得到
- 其实这个过程可以看过咱们不断构建标签（噪声)的过程，后续会用到
1、第一个重要公式，如何由初始状态X0得到Xt时刻的分布呢（前向过程)
Diffusion Model：比“GAN"还要牛逼的图像生成模型！公式推导+论文精读，迪哥打你从零详解扩散模型！_哔哩哔哩_bilibili