本文主要是介绍2.扩散模型的正向过程，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
很早之前就新建了一个专栏从0开始弃坑扩散模型,但发了一篇文章就没有继续这一系列，在这个AIGC的时代，于是我准备重启这个专栏。
整个专栏的学习顺序可以见这篇汇总文章
很多时候我们看到一篇文章很长，难免会心生胆怯，所以我将这些知识进行分解到每一篇中。
这是本专栏的第2章
在正向过程，输入数据通过逐步添加高斯噪声被破坏，经过T次加噪操作后会变成一个符合标准正态分布的纯噪声图像。这是一个马尔可夫过程，当前时刻的状态只由上一时刻状态决定，公式如下所示：
x t ∼ N ( 1 − β t x t − 1 , β t I ) \mathbf{x}_t \sim \mathcal{N}(\sqrt{1 - \beta_t}\mathbf{x}_{t - 1},\beta_t\mathbf{I}) xt∼N(1−βtxt−1,βtI)
这个公式意思是现在的 x t x_t xt服从一个数学期望（均值， μ t ( x t − 1 ) {\mu}_t(x_{t-1}) μt(xt−1)）为 1 − β t x t − 1 \sqrt{1 - \beta_t}\mathbf{x}_{t - 1} 1−βtxt−1,方差( σ t 2 I \sigma_t^2I σt2I)为 β t I \beta_t\mathbf{I} βtI的标准正态分布（高斯分布），也就是说 x t x_t xt是从和 x t − 1 x_{t-1} xt−1有关的标准正态分布里面采样出来。至于为什么值是这样，可以看后面的解释。
这个实际上还可以变成一个等式： x t ∼ N ( 1 − β t x t − 1 , β t I ) ⇒ x t = 1 − β t x t − 1 + β t ϵ t − 1 ; ϵ t − 1 ∼ N ( 0 , I ) \begin{aligned} \mathbf{x}_t &\sim \mathcal{N}(\sqrt{1 - \beta_t}\mathbf{x}_{t - 1},\beta_t\mathbf{I}) \\ \Rightarrow \mathbf{x}_t =& \sqrt{1 - \beta_t}\mathbf{x}_{t - 1} + \sqrt{\beta_t}\epsilon_{t-1}; \epsilon_{t-1} \sim \mathcal{N}(0, \mathbf{I}) \end{aligned} xt⇒xt=∼N(1−βtxt−1,βtI)1−βtxt−1+βtϵt−1;ϵt−1∼N(0,I)
其中 N ( 0 , I ) \mathcal{N}(0, \mathbf{I}) N(0,I)就是标准正态分布。I就是数字1。注意，这两个公式均值前后一致，但等式的加号后面就变成标准差了。
这个等式还可以进一步迭代，直接求出 x t x_{t} xt和 x 0 x_{0} x0的关系，这里还要懂得一个定理： N ( 0 , σ 1 2 I ) + N ( 0 , σ 2 2 I ) = N ( 0 , ( σ 1 2 + σ 2 2 ) I ) \mathcal{N}(0, \sigma_1^2 I)+\mathcal{N}(0, \sigma_2^2 I)=\mathcal{N}(0, (\sigma_1^2+\sigma_2^2) I) N(0,σ12I)+N(0,σ22I)=N(0,(σ12+σ22)I)
我们现在在等式的基础上再推 x t − 2 x_{t-2} xt−2:
x t = 1 − β t x t − 1 + β t ϵ t − 1 ; ϵ t − 1 ∼ N ( 0 , I ) = 1 − β t ( 1 − β t − 1 x t − 2 + β t − 1 ϵ t − 2 ) + β t ϵ t − 1 ; ϵ t − 2 ∼ N ( 0 , I ) = ( 1 − β t ) ( 1 − β t − 1 ) x t − 2 + ( 1 − β t ) β t − 1 ϵ t − 2 + β t ϵ t − 1 \begin{aligned}\mathbf{x}_t =& \sqrt{1 - \beta_t}\mathbf{x}_{t - 1} + \sqrt{\beta_t}\epsilon_{t-1}; \epsilon_{t-1} \sim \mathcal{N}(0, \mathbf{I}) \\ =& \sqrt{1 - \beta_t}(\sqrt{1 - \beta_{t-1}}\mathbf{x}_{t - 2} + \sqrt{\beta_{t-1}}\epsilon_{t-2}) + \sqrt{\beta_t}\epsilon_{t-1}; \epsilon_{t-2} \sim \mathcal{N}(0, \mathbf{I})\\ =& \sqrt{(1 - \beta_t)(1 - \beta_{t-1})}\mathbf{x}_{t - 2} + \sqrt{(1 - \beta_t)\beta_{t-1}}\epsilon_{t-2} + \sqrt{\beta_t}\epsilon_{t-1} \end{aligned} xt===1−βtxt−1+βtϵt−1;ϵt−1∼N(0,I)1−βt(1−βt−1xt−2+βt−1ϵt−2)+βtϵt−1;ϵt−2∼N(0,I)(1−βt)(1−βt−1)xt−2+(1−βt)βt−1ϵt−2+βtϵt−1
根据上面正态分布的定理，我们发现
x t = ( 1 − β t ) ( 1 − β t − 1 ) x t − 2 + ( 1 − β t ) β t − 1 ϵ t − 2 + β t ϵ t − 1 = ( 1 − β t ) ( 1 − β t − 1 ) x t − 2 + ( 1 − β t ) β t − 1 + β t ϵ = ( 1 − β t ) ( 1 − β t − 1 ) x t − 2 + 1 − ( 1 − β t ) ( 1 − β t − 1 ) ϵ = ( 1 − β t ) ( 1 − β t − 1 ) ( 1 − β t − 2 ) x t − 3 + 1 − ( 1 − β t ) ( 1 − β t − 1 ) ( 1 − β t − 2 ) ϵ = ( 1 − β t ) ( 1 − β t − 1 ) ( 1 − β t − 2 ) ( 1 − β t − 3 ) x t − 4 + 1 − ( 1 − β t ) ( 1 − β t − 1 ) ( 1 − β t − 2 ) ( 1 − β t − 3 ) ϵ \begin{aligned}\mathbf{x}_t =\sqrt{(1 - \beta_t)(1 - \beta_{t-1})}\mathbf{x}_{t - 2} + \sqrt{(1 - \beta_t)\beta_{t-1}}\epsilon_{t-2} + \sqrt{\beta_t}\epsilon_{t-1}\\=\sqrt{(1 - \beta_t)(1 - \beta_{t-1})}\mathbf{x}_{t - 2} + \sqrt{(1 - \beta_t)\beta_{t-1} + \beta_t}\epsilon \\=\sqrt{(1 - \beta_t)(1 - \beta_{t-1})}\mathbf{x}_{t - 2} + \sqrt{1-(1-\beta_t)(1-\beta_{t-1})}\epsilon \\=\sqrt{(1 - \beta_t)(1 - \beta_{t-1})(1 - \beta_{t-2})}\mathbf{x}_{t - 3} + \sqrt{1-(1-\beta_t)(1-\beta_{t-1})(1 - \beta_{t-2})}\epsilon \\=\sqrt{(1 - \beta_t)(1 - \beta_{t-1})(1 - \beta_{t-2})(1 - \beta_{t-3})}\mathbf{x}_{t - 4} + \sqrt{1-(1-\beta_t)(1-\beta_{t-1})(1 - \beta_{t-2})(1 - \beta_{t-3})}\epsilon \end{aligned} xt=(1−βt)(1−βt−1)xt−2+(1−βt)βt−1ϵt−2+βtϵt−1=(1−βt)(1−βt−1)xt−2+(1−βt)βt−1+βtϵ=(1−βt)(1−βt−1)xt−2+1−(1−βt)(1−βt−1)ϵ=(1−βt)(1−βt−1)(1−βt−2)xt−3+1−(1−βt)(1−βt−1)(1−βt−2)ϵ=(1−βt)(1−βt−1)(1−βt−2)(1−βt−3)xt−4+1−(1−βt)(1−βt−1)(1−βt−2)(1−βt−3)ϵ
从上面可以到，我们可以一步一步到 x 0 x_0 x0，后面都是可以合并的，化简一下上面的公式，就可以得到：
x t = α ˉ t x 0 + 1 − α ˉ t ϵ \mathbf{x}_t = \sqrt{\bar{\alpha}_t}\mathbf{x}_{0} + \sqrt{1-\bar{\alpha}_t}\epsilon xt=αˉtx0+1−αˉtϵ，其中令 α t = 1 − β t , α ˉ t = ∏ i = 1 t α i \alpha_t=1-\beta_t, \bar{\alpha}_t=\prod_{i=1}^t\alpha_i αt=1−βt,αˉt=∏i=1tαi，这里呼应前面提到的第一个疑惑，这个公式的值的形式是化简而来的。
通过这个公式，我们就可以知道加噪过程是什么了， α ˉ t \bar{\alpha}_t αˉt不断变小，直到0，那么最后的 x t x_t xt就是一个单纯的标准正态分布了。在DDPM论文中， β t \beta_t βt从 1 0 − 4 10^{-4} 10−4到0.02线性增长， a t a_t at线性变小，但是注意了 α ˉ t \bar{\alpha}_t αˉt是乘法计算，那么它的趋势是越来越快，所以你要注意的是，加噪过程是由慢变快的，而不是匀速。
这篇关于2.扩散模型的正向过程的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
