打破次元壁：深入解析扩散模型 (Diffusion Models) 的核心公式

如果我们说大语言模型 (LLM) 赋予了 AI 逻辑和常识，那么**扩散模型 (Diffusion Models)** 则彻底赋予了 AI 无尽的想象力。过去这几年中，从 Midjourney 到 Stable Diffusion，AIGC 在视觉生成领域的爆发令人瞠目结舌。 要理解扩散模型，我们需要将其拆分为两个由非平衡热力学启发的物理过程：**前向扩散（Forward Diffusion）** 和 **反向去噪（Reverse Diffusion）**。 ### 1. 前向过程：让秩序归于混沌 在物理学中，一滴墨水滴入水中会自然而然地扩散，最终变成均匀的灰色液体。扩散模型的前向过程与之完全一致： 我们拿来一张清晰的、高分辨率的真实蝴蝶照片（记作 $x_0$），在设定的时间步长 $t$ (通常 $T=1000$) 内，不断向图像中注入微小的、服从高斯分布的白噪声。 随着步长递增，结构被一点点破坏，图像逐渐变得模糊。当走到最后一步 $x_T$ 时，原始的蝴蝶照片已经变成了一块完全是由纯高斯噪声构成的“雪花屏”（完全的混沌）。 有趣的是，这个过程是一个**可被直接解析计算的马尔可夫链**：我们可以通过公式，一步到位地算出任意时间步 $t$ 的噪声图样，而不需要老老实实做一千次循环。

### 2. 反向过程：从混沌中雕琢秩序 (U-Net 的舞台) 如果前向过程是加噪，那么我们训练 AI 模型的目的，就是让它学会**逆转时光**。 我们给神经网络看一张经过 $t$ 步破坏的模糊图片，以及当前的步长提示词 $t$，要求它预测出：“在这一步，我们到底加了怎样的噪声？”。 这里挑大梁的网络架构，就是经典的 **U-Net**（带有交叉注意力机制）。 * **空间压缩与拉伸**：U-Net 先像漏斗一样将高维图像特征压缩合并，再像金字塔一样把它拉伸回原分辨率。在各个相同维度层中间加入了名为 Skip-Connection 的短接线，以保留细节的纹理。 * **语言与画笔的结合（Cross-Attention）**：模型之所以能听懂 “一只色彩斑斓的蝴蝶在花朵上”，是因为引入了 **Cross-Attention 层**。文本经过 CLIP 模型转换成特征向量，这些向量像是指挥棒一样，在 U-Net 还原噪声的每一步中，不断地施加定向的引导力。 ### 3. Latent Space (潜空间)：让 GPU 不再燃烧 早期像素级的扩散模型由于要在极高的维度矩阵上进行降噪计算，极其耗费算力。Stable Diffusion 的突破在于将这两轮过程搬到了一个被压缩了 64 倍的“潜空间”（Latent Space）中进行。 我们先用一个名为 VAE 的自编码器，把巨大的原图压缩成体积小得多的潜特征；所有的加噪和 U-Net 预测都在这个迷你宇宙中光速完成；等去噪出完美的潜特征后，再让 VAE 把它解码回肉眼可见的绚丽图像。这便是为何今天连普通消费级显卡，也能在几秒内跑出一张大作的根本原因。