底层拆解：加噪与去噪的马尔可夫游戏
这技术的核心就是一个不断加噪、再去噪的过程。想象你有一张照片，你每隔一秒钟就往上撒一把随机噪点，直到它完全变成花屏——这就是正向扩散。数学上这是个马尔可夫链，每一步只依赖上一步的状态，用一堆条件高斯分布串起来。反向呢？你得学会从花屏里一点点猜出上一个稍微清晰点的版本，这就是逆向过程。训练的目标就是让一个神经网络（通常是U-Net）学会这个“猜”的动作——实际上它预测的是每一步添加的噪声，而不是直接预测清晰图。损失函数简化到令人发指：就是均方误差，让预测噪声和真实噪声尽量接近。这可比GAN的对抗训练稳定得多。
数据不会撒谎：扩散模型的统治力
光说优雅没用，得看硬指标。在CelebA 64×64上，StyleGAN2的FID能刷到2.7，但那是靠海量调参和运气，换个数据集立马给你脸色看。DDPM的FID是3.17，稍高那么一丢丢，但mode coverage完胜——GAN容易模式崩溃，只会生成那几种脸，扩散模型几乎把训练分布的每个角落都摸到了。这才是真正的多样性。
落地避坑指南：三个血泪教训
一开始我照搬论文的线性调度，结果在自定义数据集上生成的图像模糊得像隔了层磨砂玻璃。排查好久才发现是高噪声步数区域对低分辨率图破坏过猛。换成余弦调度（cosine schedule），瞬间清晰。记住：对于非自然图像（比如医学、遥感），最好先可视化不同噪声步的破坏效果，别盲目用默认配置。 坑二：采样加速后细节丢失
为了上线，把采样步数砍到20步，生成速度是快了，但纹理细节全糊了，边缘锯齿严重。解决方案不是简单增加步数，而是换用更聪明的采样器。我用LMSD（linear multi-step）在20步下就能达到DDIM 100步的质量，FID几乎没掉。再配合classifier-free guidance强度微调，性价比最高。 坑三：高分辨率下的内存爆炸
1024×1024的图在像素空间直接训扩散模型？24GB显存的RTX 3090连batch size=2都扛不住。Stable Diffusion的潜空间扩散（latent diffusion）是关键——先用VAE把图压缩到1/8，在低维潜变量上做扩散，显存需求从24GB直降到8GB。这个架构割裂感很强，推理时要先编码再解码，但换来的是消费级显卡也能跑。现在大多数规模化应用都走这条路，千万别在像素空间死磕。
现在扩散模型已经从图像卷到了视频、3D、分子设计，势头比当年的GAN还猛。但别被忽悠瘸了——计算成本还是高，实时视频生成依然吃力。下一个突破点可能在模型压缩和专用硬件上。这领域日新月异，说不定你读到这篇文章的时候，又有逆天的方法出来了。
