从Stable Diffusion实战反推：搞懂Diffusion Model前向与反向过程为什么是AIGC的基石

从Stable Diffusion实战反推：理解Diffusion Model的核心机制

当你用Stable Diffusion输入"星空下的独角兽"并得到惊艳图像时，是否好奇这个"魔法"如何实现？现代AIGC工具背后的核心引擎——Diffusion Model（扩散模型），通过前向与反向两个看似简单却精妙的过程，完成了从随机噪声到艺术创作的蜕变。本文将从实际应用出发，拆解这两个关键过程如何协同工作。

1. 前向过程：图像的有序解体

前向过程（Forward Process）的本质是逐步向图像添加噪声，直到它变成完全随机的高斯噪声。这个过程看似破坏性，实则为后续的图像生成奠定了基础。

1.1 噪声添加的数学表达

在Stable Diffusion中，前向过程通过以下公式实现：

def forward_process(x_start, t, noise):
    sqrt_alpha = math.sqrt(alpha[t])
    sqrt_one_minus_alpha = math.sqrt(1 - alpha[t])
    return sqrt_alpha * x_start + sqrt_one_minus_alpha * noise

其中关键参数：

• alpha[t]：噪声调度参数（通常从0.9999逐渐减小到0.98）
• noise：标准高斯噪声（均值0，方差1）

提示：在Stable Diffusion实现中，这个前向过程实际上是在潜在空间（latent space）进行的，而非像素空间，这大大提高了计算效率。

1.2 渐进式破坏的视觉表现

观察不同时间步（timestep）的图像变化：