一、扩散模型简介
扩散模型（Diffusion Model）是一种生成模型，主要用于图像生成等任务。它的基本原理源于扩散过程的物理概念，通过最小化去噪过程中的重建损失（通常使用均方误差）来训练模型，以使生成的图像尽可能接近真实图像，其通过模拟数据从高维空间到低维空间的逐步去噪过程，实现生成新的样本。
其常用的网络架构包括UNet等，它们能够有效地处理图像生成任务，利用跳跃连接（skip connections）保留不同层次的特征信息。在此过程中需要选择合适的超参数，如噪声调度（noise schedule），它决定了每个时间步噪声的强度，这通常通过预设的公式来实现。
二、相关知识点讲解
1.马尔可夫过程
马尔可夫过程（Markov Process）是一种数学模型，用于描述一个系统在不同状态之间转移的随机过程。其基本特点是“无记忆性”，即系统的未来状态仅依赖于当前状态，而与过去的状态无关，这种无记忆性即为马尔可夫性质。
2.U-net
U-Net是一种常用的CNN架构，因其架构似“U”，故称为U-Net。最初设计用于医学图像分割，但现在广泛应用于各种图像处理任务。其特点是具有对称的编码器-解码器结构，能够有效地捕捉图像的上下文信息和细节。
3.跳跃连接
跳跃连接（Skip Connections）是一种神经网络结构中的连接方式，它将前面层的输出直接传递给后面层，而不经过中间层的处理，这意味着网络中的某些层可以“跳过”一部分层，使信息在网络中以不同层之间直接流动。
4.噪声调度
噪声调度（Noise Scheduling）是扩散模型中的一种策略，用于控制在训练过程中每个时间步添加的噪声强度，常见的策略有：（1）线性调度：在每个时间步中，噪声量线性增加。比如从0到1的噪声强度线性变化。（2）余弦调度：使用余弦函数来调整噪声强度，使得前期加噪较慢，后期加噪加快。（3）指数调度：噪声强度以指数方式变化，快速增加噪声的强度。
