扩散模型：加噪与去噪
扩散模型（像 Stable Diffusion）画图的思路出奇地巧。前向加噪很好懂：把一张清晰的照片，一点点给每个像素的颜色掺进随机噪点，加够多步，整张图就变成一团彩色“雪花”——规则固定、谁都会。真正要学的是反过来：训练一个模型，让它看着一团噪声，估计里面混了多少噪点、一步步减掉，把图重新“显影”出来。学会去噪后，随便丢给它一团噪声、反复去噪，就能凭空生成一张全新的图。拖滑块或点按钮，看一张猫的照片怎样被打成雪花、又怎样从雪花里被还原出来。
这是一张照片，放大看其实是一格格像素。加噪＝给每个像素的颜色掺进随机噪点（像电视雪花）——像素不动，变的是颜色，不是把图案的点打散到别处。去噪才是模型学的本事：它并不知道你加了什么噪声，靠学到的“图长什么样”，从一团噪声里一步步把图还原 / 生成出来。点“换图”可在猫 / 心 / 笑脸 / 星之间切换。
背后的公式（点开看）
前向加噪可以一步到位：加噪图 = √保留比例 × 原图 + √(1−保留比例) × 随机噪声。“保留比例”（记作 ᾱt）随时间 t 从 1 平滑降到 0，所以任意噪声程度都能直接算出来、规则固定。模型学的是反向：给定一张加噪图，预测里面的噪声，减掉一点点，多步迭代就能把图还原；从纯噪声起步同样能生成全新的图。
前向：加噪（固定）
给每个像素的颜色按固定公式掺高斯噪声，越往后越像电视雪花。规则写死，不用学。
反向：去噪（要学）
模型预测“这张噪声图里混了多少噪点”，减掉它，一步步把图“显影”出来。
生成新图
学会去噪后，喂一团随机噪声、反复去噪，就能“无中生有”画出一张全新的图。