扩散、流匹配与图像生成

将生成改写为去噪学习复制锚点链接

DDPM 的前向过程逐步给数据 $x_0$ 加高斯噪声。令 $\alpha_t=1-\beta_t$、$\bar\alpha_t=\prod_{s\le t}\alpha_s$，可以直接构造任意噪声时刻：

$$x_t=\sqrt{\bar\alpha_t}x_0+\sqrt{1-\bar\alpha_t}\epsilon,\qquad \epsilon\sim\mathcal N(0,I).$$

这使训练无需先模拟全部加噪步骤。抽取真实图、时间和噪声，训练网络预测噪声，常见简单目标为 $E\|\epsilon-\epsilon_\theta(x_t,t,c)\|^2$，$c$ 表示条件。网络在数据分布上学习去噪规律，不需要知道生成过程中曾经存在的某一张“原图”。DDPM

反向生成从噪声开始，多次使用网络预测并按采样器推进。噪声预测、原数据预测和速度预测是相关参数化，噪声日程、方差与损失权重决定具体关系。简单 MSE 是特定重新加权的目标，不能直接说它与所有最大似然目标完全相同。

score 是对数概率密度对当前输入的梯度，指向局部更高密度方向。去噪学习可与 score matching、SDE 和 probability-flow ODE 联系，随机与确定性采样器各有不同误差和多样性条件。score-based 框架

潜空间改变计算位置复制锚点链接

潜扩散先用编码器把图像压成较小表示，在潜表示中生成，再由解码器还原图像。空间压缩减少位置数，注意力和卷积工作都可能减少；总收益需计编码解码、通道、patch 和骨干结构。Latent Diffusion

构造尺寸例子：512×512 像素经每边八倍空间缩小得到 64×64 网格，位置数减少 64 倍。若相同 patch 和全注意力规则成立，注意力交互数减少 4096 倍；真实模型 patch、通道和其他计算不同，不能将这个比例直接当端到端速度。压缩还会损失小字、纹理和几何细节，生成模型无法保证恢复编码器丢掉的真实内容。

U-Net 通过多尺度卷积和跳跃连接组织去噪；DiT 在潜网格 patch 上用 Transformer，并注入时间与条件。DiT 的特定 scaling 实验说明加计算可改善其指标，卷积仍可以用于其他成本、分辨率和数据条件。网络家族并不由单一排行榜永久淘汰。DiT

条件引导怎样影响分布复制锚点链接

Classifier-Free Guidance 在训练中包含有条件与无条件任务，生成时组合预测：

$$\tilde\epsilon=\epsilon_u+w(\epsilon_c-\epsilon_u).$$

在这套记号下，$w=0$ 为无条件，$w=1$ 为直接条件预测，更大值外推条件差。实现可能把参数定义为从条件预测额外外推，数值不能直接互换。CFG

引导可提高某些条件对应，同时降低多样性、增加饱和或伪影。两个预测可拼批，并不意味成本等于一次预测；蒸馏后的 guidance 模型又可能改变调用方式。固定“3到8最佳”无法覆盖所有模型、任务和调度。

流匹配学习随时间的速度复制锚点链接

流匹配选择从噪声到数据的概率路径，学习向量场 $v_\theta(x,t)$，用 ODE $dx/dt=v_\theta(x,t)$ 推进。构造线性条件路径 $x_t=(1-t)\epsilon+tx_0$ 时，条件速度为 $x_0-\epsilon$，可以直接回归，无需在训练中运行完整 ODE。Flow Matching

单对样本的线性路径是直线，学到的边缘向量场与实际 ODE 轨迹仍可能弯曲。有限网络误差与数值积分误差存在，不能由线性插值推出任意模型 Euler 一两步就准确。rectified flow/reflow、蒸馏、时间采样和求解器可以改善少步生成，需要实际质量评价。Rectified Flow

扩散的某些 ODE 路径可放入广义流框架，二者有共同数学工具和不同训练参数化。少步、高引导与高分辨率的收益和缺陷需要联合测量。

自回归图像与组合架构复制锚点链接

图像可经码本变成离散序列，再逐 token 预测，或用并行掩码预测等方式生成。离散压缩、生成骨干和图像解码器分别承担不同工作。自回归结构可以复用语言建模方式，也会遇到长序列延迟、顺序误差和全局一致性问题。

某项闭源产品写字更好，不能据此确定它采用哪种隐藏架构。比较生成系统应分别看指令对应、文字与数字、布局、身份、编辑保持、可控性和输出成本；视觉逼真无法单独证明条件全部满足。