扩散模型中采样过程（Sampling Process）的详细步骤和算法

这张图片展示了在扩散模型中采样过程（Sampling Process）的详细步骤和算法。

采样算法（Algorithm 2 Sampling）

该算法展示了如何从噪声中逐步生成图像。

步骤解析：

1. 初始化：

   • 从标准正态分布$\mathcal{N}(0,I)$中采样初始噪声图像$x_T$。
   • 这个图像$x_T$是完全噪声化的。

2. 逐步去噪：

   • 从时间步$T$开始，逐步向前推进到时间步$1$。
   • 对于每个时间步$t$，执行以下操作：

3. 噪声采样：

   • 采样噪声$z\sim \mathcal{N}(0,I)$，如果$t>1$则从标准正态分布中采样，否则设为零。

4. 更新公式：

   • 使用以下公式更新$x_{t-1}$：
     $$x_{t-1}=\frac{1}{\sqrt{{\alpha }_t}}\left(x_t-\frac{1-{\alpha }_t}{\sqrt{1-{\bar{\alpha }}_t}}{ϵ}_{\theta }(x_t,t)\right)+{\sigma }_{t}z$$
     -${\alpha }_t$和${\bar{\alpha }}_t$是预定义的噪声参数。
     -${ϵ}_{\theta }(x_t,t)$是由噪声预测网络（Noise Predictor）预测的噪声。
     -${\sigma }_t$是调整噪声幅度的参数。

5. 结束循环：

   • 继续进行下一个时间步$t-1$，直到到达时间步$1$。

6. 返回生成的图像：

   • 最终生成无噪声的图像$x_0$。

图解步骤：

1. 初始噪声图像$x_T$：

   • 左上角显示的是从标准正态分布中采样的初始噪声图像。

2. 噪声预测：

   • 每个时间步$t$的噪声预测器根据当前的噪声图像$x_t$和时间步$t$，预测当前图像中的噪声${ϵ}_{\theta }(x_t,t)$。

3. 去噪过程：

   • 根据噪声预测器的输出，使用公式更新$x_{t-1}$，逐步减少图像中的噪声。

4. 添加噪声$z$：

   • 在去噪过程中，重新添加一部分标准正态噪声$z$以保持噪声水平的合理性，确保生成过程的稳定性。

5. 最终生成的图像：

   • 经过多次迭代去噪操作，最终生成无噪声的图像$x_0$，显示在右下角。

总结：

扩散模型通过从标准正态分布采样初始噪声图像，并逐步去噪，最终生成高质量的图像。去噪过程中的关键在于噪声预测器的准确性和公式的合理性，确保每一步都能有效减少图像中的噪声，同时保持图像的结构和细节。