扩散模型的反向去噪过程是如何实现的？

1. 神经网络参数化去噪步骤

反向过程试图撤销前向加噪，从纯噪声 x_T 逐步恢复清晰图像 x₀。每一步的去噪转移被建模为一个高斯分布，其均值由神经网络根据当前带噪样本 x_t 和时间步 t 预测得到。实践中方差常设为与时间相关的固定对角矩阵，仅学习均值部分，以降低训练不稳定性。

2. 用噪声预测间接估计均值

模型并不直接预测反向步骤的均值，而是预测加入的噪声 ε_θ(x_t, t)。借助前向过程的代数关系，预测出的噪声可换算为反向步骤的均值估计。这种重参数化方式将复杂的似然优化问题转化为直观的噪声回归任务，是 DDPM 训练目标简洁有效的核心原因。

3. 迭代去噪直至清晰

生成时从 x_T 出发，对 t = T, T-1, …, 1 反复调用去噪网络，每一步减去预测的噪声分量，使样本逐渐向清晰数据分布靠拢。经过数十到数百步迭代后，随机噪声被逐步"雕刻"成结构完整、细节清晰的输出。