【DDPM 扩散模型】Part 2：前向扩散的数学推导（从直觉到公式全讲透）

DDPM 扩散模型完全指南 — Part 2：前向扩散的数学推导（从直觉到公式全讲透）

🧨 本章节专为数学小白打造：用最通俗的语言讲清 DDPM 前向扩散的全部数学公式

🎯 目标：彻底理解为什么加噪公式长这样、为什么能一步跳到任意 t、每个符号是什么意思

📅 最后更新：2025年11月

---

📋 目录

• 1. 前向扩散到底在干什么？
• 2. 第一步：一步加噪声的数学模型
• 3. 第二步：为什么高斯分布？（直觉解释）
• 4. 第三步：一步一步扩散会得到什么？
• 5. 第四步：天才发现——可以直接从 x₀ 跳到 xₜ
• 6. 第五步：一行公式总结整个前向过程（超重要）
• 7. 第六步：图解理解 √ᾱₜ 与 βₜ 的作用
• 8. 第七步：为什么一步跳到 t 这种写法对训练那么重要？

---

1. 前向扩散到底在干什么？

一句话：

前向扩散就是不断往图像里加高斯噪声，让它从清晰 → 模糊 → 更模糊 → 完全噪声。

数学上，我们把这个过程表示为：

x₀ → x₁ → x₂ → …… → xₜ
(加一点噪声)(再加一点)  (纯随机噪声)

但这句话只是直觉，真正数学是什么？

我们现在要从 第一性原理 讲清楚整个公式。

---

2. 第一步：一步加噪声的数学模型

论文把 “第 t 步图像 xₜ 是怎么来的” 写成了一个概率分布：

$$q(x_t\mid x_{t-1})=\mathcal{N}\left(x_t;\sqrt{1-{\beta }_t}{x}_{t-1},{\beta }_{t}I\right)$$

我们现在把这行拆成“完全小白能理解”的解释。

---

🔍 q(xₜ | xₜ₋₁) 是什么？

表示：xₜ 是在什么概率规则下，由 xₜ₋₁ 生成的？

就像说：

我告诉你上一帧图片，你能用什么规则生成下一帧？

---

🔍 它是一个高斯分布（正态分布）

公式里的
$$\mathcal{N}(\mu ,{\sigma }^{2}I)$$
表示：

新图像 = 均值 μ + 一些随机噪声

---

🔍 为什么均值是 √(1−βₜ) xₜ₋₁？

因为 βₜ 是“加噪声的比例”，所以：

• √(1−βₜ) 越接近 1 = 噪声少
• √(1−βₜ) 越接近 0 = 噪声多

βₜ 是个很小的数，比如 0.0001。
所以 √(1−βₜ) ≈ 0.99995
→ 几乎保持原图，只是轻轻“糊一下”。

可以理解为：

新图像 = 上一帧 × 保真率  
        + 噪声 × 增加率

这里保真率就是 √(1−βₜ)。

---

🔍 variance（方差）为 βₜ I

表示加的噪声量。

βₜ 越大 → 噪声越多
βₜ 越小 → 噪声越少

---

🔥 一句话总结这行公式

$$x_t=\text{(大部分的上一张图)}+\text{(一点点噪声)}$$

---

3. 第二步：为什么高斯分布？（直觉解释）

高斯噪声的原因其实非常现实：

⭐ 1. 它是最常见的噪声形式

现实世界中的噪声（相机噪声、传感器噪声）天然符合高斯。

⭐ 2. 加法容易处理

高斯 + 高斯 = 新的高斯（这是数学奇迹！）

所以：

x₀ 加噪 → x₁
x₁ 加噪 → x₂
…
xₜ 加噪 → xₜ₊₁

最终整个链条都还是高斯！

这让后面推反向过程超级容易。

⭐ 3. 公式漂亮、可微、神经网络友好

扩散模型训练依赖模型预测噪声，
高斯噪声简化了所有推导。

---

4. 第三步：一步一步扩散会得到什么？

你可能会好奇：

“如果我不停往里加噪声，最终是什么？”

答案是：

最终 xₜ 会变成纯高斯噪声。

这和现实完全一致：

• 拍照时噪声越来越多
• 最后像素全乱了
• 你看不到任何原始内容

扩散模型正是利用这个：

从完全随机的噪声恢复图像 = 生成图像。

---

5. 第四步：天才发现——可以直接从 x₀ 跳到 xₜ

DDPM 最聪明的一步来了。

他们发现：

不用每次都从 x₀ 加到 x₁，加到 x₂，加到 x₃ …… 加到 xₜ。

可以一次公式直接跳到 xₜ。

最终得到：

$$x_t=\sqrt{{\bar{\alpha }}_t}{x}_0+\sqrt{1-{\bar{\alpha }}_t}\epsilon$$

其中：

• ε ~ N(0, I)（纯噪声）
• $${\bar{\alpha }}_t=\prod _{i=1}^t(1-{\beta }_i)$$

---

🚀 这行公式非常非常重要！

它说明：

xₜ 是“干净图像 + 噪声”的加权组合。

也就是：

• 系数 √ᾱₜ：控制保留多少原图信息
• 系数 √(1−ᾱₜ)：控制噪声有多少
• ε：高斯噪声的方向

---

6. 第五步：一行公式总结整个前向过程（超重要）

你只需要记住这一行：

xₜ = 图像 * (保留率) + 噪声 * (噪声率)

数学写法：

$$x_t=\sqrt{{\bar{\alpha }}_t}{x}_0+\sqrt{1-{\bar{\alpha }}_t}\epsilon$$

这行公式给我们两个超级能力：

✨ 能力 1：可以直接生成任意 t 的加噪图

不需要重复 1000 次加噪！

✨ 能力 2：训练速度大幅提升

你可以：

• 随机抽一个 t
• 一步生成 xₜ
• 用它训练网络预测噪声

整个训练变得超级高效。

---

7. 第六步：图解理解 √ᾱₜ 与 βₜ 的作用

我们用一个超级直观的例子：

假设：

βₜ 很小 → 每一步加的噪声很少
αₜ = 1 - βₜ
ᾱₜ = 所有 αₜ 的累乘

越到后面，ᾱₜ 越小。

---

🎨 图示（直觉）

t = 0      ᾱₜ=1.0      → 完全是图像
           √ᾱₜ=1.0
           √(1-ᾱₜ)=0

t = 200    ᾱₜ≈0.6     → 图像 60% + 噪声 40%
           √ᾱₜ≈0.77

t = 500    ᾱₜ≈0.2     → 图像 20% + 噪声 80%
           √ᾱₜ≈0.45

t = 900    ᾱₜ≈0.01    → 图像 1% + 噪声 99%
           √ᾱₜ≈0.1

t = 1000   ᾱₜ≈0        → 几乎纯噪声
           √ᾱₜ≈0

随着 t 增大，图像内容被噪声“淹没”。

到 t = T 时，就真的变成纯噪了。

---

8. 第七步：为什么一步跳到 t 这种写法对训练那么重要？

如果你没有这条公式：

$$x_t=\sqrt{{\bar{\alpha }}_t}{x}_0+\sqrt{1-{\bar{\alpha }}_t}\epsilon$$

训练会变成：

x₀ → 加噪生成 x₁
x₁ → 加噪生成 x₂
……
x₉₉₉ → 加噪生成 x₁₀₀₀

这要重复一千次。
一张图平均 1024×1024 分辨率，重复加噪会让训练慢得离谱。

但现在：

➤ 我们只需要一行公式就能生成任何 t 的加噪图

训练效率直接提升 ×1000。

这也是 DDPM 能落地的关键。

---

🎉祝你天天开心，我将更新更多有意思的内容，欢迎关注！

最后更新：2025年11月
作者：Echo