What are Diffusion Models?（Lil'Log 扩散模型详解）

学完你能

• 解释扩散模型的直觉来源（非平衡热力学）及与 GAN、VAE、Flow 模型的区别
• 写出前向扩散过程的马尔可夫链定义与用重参数化技巧得到的任意时刻闭式采样公式
• 说明反向扩散过程的建模方式及 q(x_{t-1}|x_t,x_0) 可解的原因
• 推导并用变分下界简化训练损失，理解 L_t 的参数化选择
• 解释扩散模型与噪声条件分数网络（NCSN）及随机梯度 Langevin 动力学的关系
• 说明 β_t 与反向过程方差 Σ_θ 的参数化方式及其影响
• 区分 classifier guidance 与 classifier-free guidance 的条件生成机制
• 概述加速采样手段（更少步数、蒸馏、一致性模型）与潜空间扩散、模型架构要点

适合你吗

课程特点

内容侧重

理论与实践结合

练习与项目

建议按文章顺序手推前向/反向公式并整理成笔记；有余力可从文末代码链接中选一个仓库跑通小规模训练或采样。

学习时长

1 个课节原站未给出统一学习时长；实际用时取决于已有基础。

内容费用

免费原站为个人博客，网页正文公开可访问，未标注收费；文中链接的论文与 GitHub 代码仓库可另行访问。

内容覆盖

• What are Diffusion Models?
• Forward diffusion process
• Connection with stochastic gradient Langevin dynamics
• Reverse diffusion process
• Parameterization of L_t for Training Loss
• Simplification
• Connection with noise-conditioned score networks (NCSN)
• Parameterization of β_t
• Parameterization of reverse process variance Σ_θ
• Conditioned Generation
• Classifier Guided Diffusion
• Classifier-Free Guidance
• Speed up Diffusion Models
• Fewer Sampling Steps & Distillation
• Latent Variable Space
• Scale up Generation Resolution and Quality
• Model Architecture
• Quick Summary
• References