基于扩散过程的图像生成模型研究综述.docVIP

基于扩散过程的图像生成模型研究综述

一、扩散模型的核心理论基础

扩散模型的核心思想源于非平衡热力学中的扩散过程，其通过逐步向真实数据中添加高斯噪声，再通过逆过程逐步去噪还原原始数据，实现对数据分布的建模。前向扩散过程是一个固定的马尔可夫链，在每一步向图像添加微小的高斯噪声，经过T步后原始图像被完全转化为服从标准正态分布的随机噪声。该过程的数学表达为：对于原始数据x?，第t步的加噪结果x_t可以表示为x_t=√α_tx?+√(1-α_t)ε，其中α_t是预先设定的衰减系数，ε为标准高斯噪声。这一过程的关键在于无需训练，仅通过闭式计算即可得到任意时间步的加噪结果，大幅降低了前期计算成本。

逆扩散过程则是需要训练的马尔可夫链，其目标是学习从x_t预测x_{t-1}的分布，逐步从噪声中还原出真实图像。早期的扩散模型通过直接预测逆向过程的均值和方差实现去噪，但训练效率较低。2020年提出的DDPM（DenoisingDiffusionProbabilisticModels）对逆过程进行了简化，通过引入噪声预测网络，将逆过程转化为预测每一步添加的噪声ε，使得模型训练目标转化为最小化预测噪声与真实噪声的均方误差，这一简化让扩散模型的训练效率和生成质量得到了质的提升，也奠定了当代扩散模型的基础框架。

与生成对抗网络（GAN）的对抗训练机制、变分自编码器（VAE）的隐变量编码机制不