stable diffusion采样详解

采样：模型会在Latent Space中生成一个完全随机的图像，然后噪声预测器会从图像中减去预测的噪声。随着这个步骤的不断重复，最终得到一个清晰的图像。

Stable Diffusion在每个步骤中都会生成一张新的采样后的图像，整个去噪的过程，即为采样，使用的采样手段，即为采样器或称为采样方法

 

逆向采样过程：

在生成阶段，目标是从纯噪声状态开始，通过一系列步骤反向模拟扩散过程以去除噪声并生成清晰图像。这就是采样的核心环节。为了实现这一点，模型需要解一个与扩散过程相反的微分方程或随机过程，以便逐次减少噪声并重构出接近原始数据的概率分布中的样本。

为什么要求解微分方程？（微分方程在这里起着描述数据退化和复原过程的作用。对于Stable Diffusion模型，特别是基于常微分方程(ODE)或随机微分方程(SDE)的变种，模型需要能够预测在任意噪声水平下如何“去噪”给定的输入图像。通过求解这些微分方程，模型能够在每一步预测最优的更新量，从而使得当前的中间态更接近于真实数据而不是噪声。这种迭代去噪的方式允许模型控制生成过程，并最终得到高质量的输出图像。）

举个栗子，最简单的Euler采样

import numpy as np

# 定义目标函数（假设我们有一个线性ODE dy/dt = f(t, y)）
def f(t, y):
    # 这里以dy/dt = -y + x + 1为例
    # 实际应用中请替换为你的函数f
    x = t * 2  # 假设x与t有关的一个示例项
    return -y + x + 1

def euler(f, t0, y0, h, N):
    """
    Euler方法实现
    参数&