扩散模型
Diffusion Model
学到 认得 就够：听到能明白
你可能会说
“我用扩散模型做研究科普配图，为什么它能从噪声逐步生成图像？”
扩散模型学习在不同噪声程度下恢复数据的规律，生成时从随机状态逐步变成样本。常见图像生成在像素或潜在表示中运行去噪，但不是在还原一张预存原图。
使用 AI
科研里的例子
生成农村金融机制的场景插画可帮助说明，但图里的地标、人物关系和合同内容不能冒充调查照片或证据。
训练时对真实样本加入已知噪声，让网络预测噪声或与恢复有关的目标；采样时按照设定步骤反复更新状态。文字等条件可以引导生成方向。扩散是一类建模框架，采样步数、调度和表示空间会改变速度与结果。科研使用时，应把生成图当作模型构造的内容；图像细节看似合理，不能证明画面中的结构、数量或事件符合真实资料。
判断
亲手检查一次
用同一文字条件改变随机种子和采样步数，比较总体构图、局部错误与耗时，并标记这些都是生成样本。
它做不到的
随机去噪的比喻不意味着图像只有一种正确答案；不同扩散与流模型有技术差别，不能统一称为同一个算法。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。