扩散模型学习笔记
1.这都是加了噪声之后的图像,加的噪声都是高斯噪声。
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/b7d2b200836e15dc24271bc26d75b246.png)
2.意思就是把这个当成了标签。
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/fd48f2beb303e41e71ab45e80944eb71.png)
3.每一个时刻添加的噪声都是不一样的
4.β会随着时间发生变化,随着时刻的增加,β会越来越大,这也间接的反应所添加的噪声也越来越多。
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/fa1d02ae73ae1129aff07809e9679686.png)
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/3e4f455205f9e3dfb811b406198313d6.png)
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/d6671b2962092040b051117bc1f9c4de.png)
7.这个噪声就是高斯噪声
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/275a090c57be364bcdebe725743f60a9.png)
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/2167d7a5d7e495f73df464606df0b395.png)
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/acb0ec8698babdb50b633eb5cb2ee2b2.png)
一堆数据服从高斯分布,这堆数据的均值为0,方差为1就行,不需要在网络训练的过程中所提添加的高斯噪声数据一模一样
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/e3936defd3c557934793395ce1d87354.png)
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/807d2ef287fab0934c1316bfb22b2253.png)
上面的转化使用了下面的性质
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/f8cfb6d1e76a3091c7eb72edfbd6e0b3.png)
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/c5646f8af21066b5409896126e2cdbda.png)
上面使用了下面的性质
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/205be6f3926eb32ed2248fa06d1a2f6b.png)
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/dd9d192a6b98b6c91add59aeba1dabec.png)
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/93d7acea962674df55468ae0bd86d8a8.png)
14.这里表示标准正态分布,而且在这个扩散模型中所有的正态分布都是标准正态分布。
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/08651ade1d2cad4d6146feb28af2faa3.png)
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/6ab3efadd7da2b512ac0bb77f32222b9.png)