加噪 采样 训练 去噪 有点混了M1-M13 · 2026-10-12 · 原对话 ↗
那意思加噪过程的每一步都有记录吗 要不然怎么算损失M1-M11 · 2026-10-12 · 原对话 ↗
这样 你类似llm 把扩散模型 训练和推理时 两个流程给我梳理一下M1-M29 · 2026-10-12 · 原对话 ↗
原 AI 解释 · 摘要
原对话先解释噪声监督从哪里来,再按你的要求对照语言模型,把扩散的训练与推理拆开。核心帮助是:训练目标可以由自行采样的噪声构造,而不是保存每一次真实加噪历史。
整理核对 · 以 DDPM 噪声预测为例
训练:取干净样本 x_0,采样时间 t 和噪声 ε,直接算出 x_t;网络根据 x_t、t 及可选条件预测 ε,再比较预测与已知噪声。生成:从随机噪声出发,按采样算法反复调用网络更新状态,最后得到样本。[R4] ↗
三种选择不要绑死
U-Net 或 DiT 是主干结构;预测噪声、干净样本或速度场是预测目标;DDPM、DDIM 等是采样路径与算法选择。换了主干,不代表其他两项必然一起变化。
另一条原始理解 · 整理核对
M1-M41 用“降维减冗余计算保留高效语义信息”理解潜空间。减少生成计算的方向可以保留,但潜表示也承载重建需要的纹理和细节,不能写成“只剩纯语义”。[R9] ↗
继续追问 · 整理者建议
画图前先确定一个明确版本,把网络一次前向的输入输出,与采样器的外部循环分开标注。
核对来源 · 2 项
技术核对:2026-10-16。个人学习记录只代表原对话当时的范围。