扩散模型的训练是怎么加噪的？正向过程

训练扩散模型时，第一件事竟然是往干净图片里加噪声——听着像搞破坏，其实是 AI 生成图像的教学方式。这篇把正向加噪过程按步骤拆开，讲清楚噪声为什么按计划加、加到头是什么样。细节以各家官方技术报告为准，这里只讲通用原理。

先把结论放前面：正向加噪本身没有任何玄妙，它就是一张精确执行的时刻表。玄妙的是逆向那一侧——模型竟然能学会从纯噪声里还原图像，这也是这条技术路线迷人的地方。

正向过程一步一步看

拿一张清晰的图，设一个从 0 到 1 的刻度。刻度 0 是原图，之后每走一步，就往图里掺一点高斯噪声，同时把原图信息按比例减弱。走到刻度 1，整张图变成一片纯噪声，原图的任何痕迹都看不出来了。这个过程不需要学习，是事先定好的机械操作。

类比：像往一杯清水里持续滴墨水，滴到最后杯里只剩均匀的墨色，看不出清水曾经存在。

噪声为什么按计划加

加噪并不匀速，而是按一张时刻表进行：早期加得慢，图像轮廓还在；后期加得快，迅速推向纯噪声。这样安排是为了让模型在每个破坏程度上都有样本可学——轻噪声教它修细节，重噪声教它补结构。

把时刻表摊开，每个刻度上图与模型各是什么状态。

类比失效处：墨水扩散是物理过程，加噪是统计采样，每一步掺入的噪声随机抽取，并不由前一步唯一决定。

加到头是什么样子

刻度 1 的纯噪声里，原图信息在统计意义上被完全掩盖。这里有个关键设定：任意一步的加噪结果都能从原图一步算出，不必真的逐步迭代。训练时随机抽一个时刻、一次性加到那个程度，效率因此高了很多。

这个「一步算出」的设定值得多看一眼：因为加噪的每一步都是简单的比例混合，数学上可以合并成一整个式子，任意中间状态都有解析解。训练时就能随机挑刻度直接取样，不必从零迭代过来，训练成本因此大幅下降。

逆向还原才是目的

正向加噪只是铺垫。模型真正学的是逆操作：给它一张带噪的图和一个时刻刻度，让它预测这一步掺入了什么噪声。预测准了，就能从纯噪声出发一步步减噪，走出一张全新图像。所以说正向过程是出题，逆向学习才是解题。开源社区 ModelScope 上能找到大量扩散模型的实现，智谱清言这类对话模型也能解答原理层面的疑问。

出题和解题的关系还可以再推一层：正向过程定义了「破坏的方式」，逆向模型学的就是「按同样的方式反推」。两边必须遵循同一张时刻表，刻度对不上，去噪就无从谈起。这也是为什么时刻表是扩散模型里牵一发动全身的超参数。

把正向过程放到整条生成链里看，它的位置很靠前：先定义破坏方式，再训练还原，最后才轮到创作。理解了加噪，后面学去噪、学采样就都有了参照物。

走出一张全新图像之后，往视频方向走就是帧间一致性的问题，见文生视频的时间层；单帧怎么被模型读懂，先看视觉编码器的切块与编码。

从图像理解到图像生成，两侧共用视觉表征的底座，特征怎么进入语言模型侧见图像 token 的接入。

加噪过程速查表

• 输入：干净图像加随机噪声
• 刻度：决定噪声强度的时刻表
• 终点：与原图无关的纯噪声

末句记住：正向出题越规范，逆向解题越有据。

加噪训练快问快答三则

• 为什么要加噪声而不是直接学生成？：直接生成太难学，拆成一步步去噪后，每步任务都简单可学。
• 噪声是固定的吗？：每次随机采样，同一张图能产生无数条加噪路径。
• 刻度表谁定的？：人工设计的超参数，各家略有差异，以官方报告为准。

一句话收束：加噪是教学用的「可控破坏」。破坏得越有章法，模型学到的还原本领就越扎实。