AI 作画《NBA球星动漫头像》| 用stable diffusion生成

扩散模型是一种概率模型，通过逐步去噪一个正态分布变量来学习数据分布p(x)，对应于学习长度为t的固定马尔可夫链的反向过程。模型可以通过训练去噪自编码器
来实现（T = 1…T），它们被训练来预测其输入
的去噪变体，而
是输入
的噪声版本，其训练函数：
扩散模型原理方面，包括：前向的加噪
和逆向的去噪
；
前向的加噪：给定初始数据（比如图像）
，一步一步加噪得到
、
、···、
、
、···、
，最后的
完全是一个正太分布噪音数据。其中，每一步的加噪，不妨记为
分布表示；对应地，实际的去噪分布记为
；
逆向的去噪（生成）：
一步一步去噪，得到
、···、
、
、···、
、
，不妨记为
分布表示；
事实上，扩散模型的训练就是用网络(待学习参数为
)预测所加的噪音变量分布。用KL散度衡量实际的去噪分布
和由网络学习的去噪分布
：即。经一系列推导化简、等价为
。这里的
是高斯噪声，预测网络以含噪图片
作为输入，预测所添加的噪声。
即可以理解为，扩散模型的训练目标是，希望预测的噪声和真实噪声一致。