扩散模型DDPM与基于分数的模型之间的公式证明联系及原理详解【论文精读SGM】

0、前言

论文地址：https://arxiv.org/abs/2011.13456
GitHub地址：https://github.com/yang-song/score_sde_pytorch
详细的代码公式介绍：score-based generative models【公式推导+代码实战】

简单的说，基于分数的模型是用随机微分方程SDE对数据进行连续的扰动。

我们注意到，不论是DDPM，还是SMLD（不懂的看下文的1、介绍），它们都存在一个共同的特性：
加噪过程和去噪过程都是离散化的，即他们按照时间步1～T离散采样。并且需要时间T 足够大，才可以保证我们最终加噪后的样本趋近于标准正态分布。
事实上，这是一个随机的过程，SDE的思想是想将这个离散的随机控制过程连续化，那么就要涉及随机微分方程(随机控制)的理论和原理了。

下面来证明无论是DDPM还是SMLD，他们都是作为SDE的离散化版本。（具体在论文的附录B）

1. 首先证明DDPM的噪声扰动过程是 Variance Pres