AI 画图的底层：扩散模型 DDPM 加噪与去噪原理拆解

文生图模型看着像"凭空"画出一张图，可它真正干的事，其实朴素得让人意外：它先把一张清晰图片一步步毁成纯噪声，再学着一路把噪声"还原"回图片。学成了还原，也就学会了生成。

这套机制的正式名字叫去噪扩散概率模型（Denoising Diffusion Probabilistic Models，简称 DDPM），是如今大多数文生图模型的底子。这篇拆它两件核心动作——加噪和去噪，看网络到底在学什么。

前向过程：一步步把图「泡」进噪声里

扩散模型有个前提动作，叫前向过程，简单说就是"加噪"。拿到一张清晰的图 x₀，按固定的规则，一点点往上加高斯噪声：先加一点，图还是能看清；接着再加一点，细节开始糊；加到第 T 步，原图已经消失，只剩一摊近似的纯噪声。

这个过程是人为设计好的、不需要学习的。每一步跟前一步是什么关系、加多少噪声，都由预设的参数定死，构成一条马尔可夫链——下一步只依赖上一步。

可以把它想成"往一杯清水里一滴滴滴墨水"，滴到后来，水已经完全看不清，原来的清透全被覆盖。前向过程就是这样，用可控的方式，把"清晰的图"推向"纯噪声"。

逆向过程：学好「还原」，就什么都能画

真正有用的是反方向的逆向过程：从噪声出发，一步一步把噪声去掉，把图"洗"回来。

难点在于，正向加噪是定死的、好算；逆向去噪却没那么直白——光从一摊噪声，谁也不知道上一步应该是什么。于是扩散模型训练一个神经网络，专门干这件事：给它一张带噪的图，再告诉它"现在是第几步"，让它预测"这张图里混了多少噪声"。

网络预测出噪声，就能从带噪图里把它减掉，得到一张更清晰一点的图。反复做 T 步，就从噪声一路走回了清晰的图片。

训练目标：一句话，学会「认噪声」

既然网络的任务是"预测噪声"，训练就很好设：随机拿一张清晰图，随机挑一个时间步 t，按前向规则给它加上对应分量的噪声，得到带噪图 x_t；让网络看 x_t 和 t，输出它预测的噪声 ε_θ；再去和"真正加进去的噪声 ε"比，越接近越好。

落到损失函数，就是一个均方误差：

Loss = ‖ ε − ε_θ(x_t, t) ‖²

这里 ε 是真实加进去的噪声，ε_θ(x_t, t) 是网络根据带噪图和时间步预测出来的噪声。训练的目标，就是让这两个噪声在平均意义上贴得越来越近。模型没被要求"想象一张图长啥样"，它要练的看家功夫，就是准确认出噪声。

这个设定高明在：任务被拆得特别纯粹、特别可学。认噪声这件事，无论哪张图、哪个时间步，都能构造出明确的监督信号，网络只要反复练，就能把"去噪方向"学明白。

采样时，从纯噪声里「挤」出一张图

训好的网络怎么画图？零步不走前向，直接走逆向：先随机生成一摊纯噪声 x_T，把它当成"加噪到顶的图"；然后网络看它、预测噪声、去掉一部分，得到 x_{T-1}；再预测、再去，一路做 T 步，落得一张"看起来像真实图片"的 x₀。

因为网络在训练时见过了各个时间步的带噪图，它知道"这种糊法该往哪个方向去噪"。于是从噪声出发，每一步都往"更像一张图"的方向挪一点，便落回数据分布里。

T 步全套走下来很慢，后来有了 DDIM 这类快速采样，跳着去噪，几步就能出一张像样的图——工程上的提速，不改变"认噪声再减掉"的底层逻辑。

文字是怎么插进来的

文生图要求按文字画，那文字在哪儿起作用？关键就在那个去噪网络。

把文本（比如"一只戴墨镜的猫"）用文本编码器转成向量，作为"条件"喂给去噪网络。网络在预测噪声时，就带着这个条件一起看——它不再学"随便去噪"，而是学"在'戴墨镜的猫'这个约束下去噪"。于是从同一摊噪声出发，喂不同文字，去噪方向就不同，画出的图也就不同。

这也正好接上了之前聊过的 CFG：文字引导越强，去噪越向着文字想要的方向走。扩散模型提供"从噪声还原成图"的骨架，文字条件决定"还原成什么样的图"。

小结

把扩散模型收一下：它分两步，前向是"把清晰图一步步加噪到纯噪声"，逆向是"网络一步步预测噪声再减掉、还原成图"；训练目标非常单纯的均方误差 `‖ε − ε_θ(x_t,t)‖²`，让网络学会认噪声；采样时从纯噪声出发反复去噪，就落回了一张真实图；文字以条件向量方式喂进去，决定去噪的方向。加噪是设计好的，去噪是学出来的——学好了去噪，就学会了生成。

一句话记住 DDPM：先用噪声毁掉画，再让模型学会把画从噪声里救回来，救得多了，它就会自己造画。