扩散模型的基本工作原理是什么？

1. 前向加噪与反向去噪的对称过程

扩散模型包含两个互为逆过程的阶段。前向过程（Forward Process）是一个固定的马尔可夫链，逐步向真实数据 x₀ 添加高斯噪声，经过 T 个时间步后使其近似为标准高斯噪声 x_T。反向过程（Reverse Process）则由神经网络参数化，学习从噪声 x_T 出发，一步步去除噪声、恢复出清晰数据 x₀。生成新样本时，模型从随机噪声出发运行反向过程即可。

2. 训练目标简化为噪声预测

尽管反向过程在数学上需要建模每一步的均值与方差，但 DDPM 提出了一种更简洁的训练方式：让神经网络直接预测前向过程中实际加入的噪声 ε，训练损失即为预测噪声与真实噪声之间的均方误差。这一简化目标丢弃了理论推导中的加权项，却在实践中反而带来更好的生成质量，成为扩散模型走向实用的关键。

3. 从噪声到数据的逐步"显影"

生成阶段，模型拿到一团纯随机噪声和一段文本描述，在每一步预测并移除少量噪声。随着去噪迭代推进，整体构图、色彩分布先浮现，高频细节随后逐步清晰，最终"显影"出一张与文本描述相符的全新图像。由于起点是随机噪声，不同的噪声种子会生成差异明显的结果，固定种子则可获得可复现的输出。