扩散模型:从噪声到图像演示

实验目的

理解扩散模型“逐步加噪、逐步去噪”的基本思想,认识 AI 生成图像的大致过程。

实验原理

前向过程:对训练图像按步骤不断加入随机噪声,直到接近纯噪声。反向过程:训练神经网络预测每一步中的噪声并将其去除,从随机噪声出发逐步还原出图像。文字提示可作为条件,引导去噪方向,使结果更符合描述。

实验器材

• 原始图像
• 带噪声的中间图像
• 纯随机噪声图像
• 去噪后生成的图像
• 步数控制(滑块或按钮)

实验步骤

1. 观察原始清晰图像,记住它的主要内容
2. 按步骤加噪,观察图像细节如何逐渐消失
3. 继续加噪,直到图像接近纯噪声
4. 切换到去噪方向,从噪声开始逐步还原
5. 对比不同步数的画面,说出每一步的变化

实验现象与结论

加噪时图像由清晰变模糊,最终只剩随机噪点;去噪时画面先出现大致轮廓和色块,再逐渐补出细节。说明扩散模型是通过多步去噪,把随机噪声变成有意义的图像。

注意事项

• 生成类工具的结果仅供学习参考,需自行判断真伪
• 不要用图像生成技术伪造他人形象

常见问题

扩散模型为什么要先加噪声?

加噪是为了构造训练数据:让网络学会在各种噪声程度下预测并去除噪声,生成时才能从噪声还原图像。

每次从噪声生成的图像都一样吗?

不一样。起始的随机噪声不同,去噪得到的图像也不同;加入文字提示时,结果会向描述内容靠近。