1. 项目概述
作为一名长期从事AI图像生成技术研究的从业者,我经常被问到Stable Diffusion这类模型背后的数学原理。很多人只关注如何使用现成的工具生成图片,却忽略了支撑这项技术的数学基础。今天,我将从实践者的角度,深入解析Stable Diffusion背后的三大数学支柱:概率论、微积分和线性代数。
理解这些数学原理不仅能帮助我们更好地使用Stable Diffusion,还能在模型调参、故障排查时提供关键思路。比如,当你遇到生成图片质量不稳定时,知道概率论中的噪声调度原理就能快速定位问题;当需要优化生成速度时,理解微积分中的SDE方程就能找到合适的加速采样方法。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 概率论支柱:从噪声到图像的魔法
2.1 正向扩散过程:图像如何变成噪声
在Stable Diffusion中,正向扩散过程就像把一杯清水逐渐滴入墨水。从技术角度看,这是一个马尔可夫链过程,每一步都在当前图像上添加少量高斯噪声。数学表达式为:
$$
q(\mathbf{x}t | \mathbf{x}) = \mathcal{N}(\mathbf{x}t; \sqrt{1-\beta_t}\mathbf{x}, \beta_t\mathbf{I})
$$
这里有几个关键点需要注意:
- $\beta_t$是噪声调度参数,决定了每一步添加的噪声量
- $\sqrt{1-\beta_t}$这个系数确保了噪声的平稳添加
- 整个过程保持均值稳定,方差逐渐增大
在实际应用中,我们通常使用线性或余弦噪声调度。我个人的经验是,对于大多数创意生成任务,余弦调度能产生更自然的效果。
2.2 闭式表达:一步到位的噪声添加
虽然理论上我们可以一步步添加噪声,但实践中更常用闭式公式直接计算任意时间步的噪声图像:
$$
\mathbf{x}_t = \sqrt{\bar{\alpha}_t}\mathbf{x}_0 + \sqrt{1-\bar{\alpha}_t}\boldsymbol{\epsilon}, \quad \boldsymbol{\epsilon} \sim \mathcal{N}(0, \mathbf{I})
$$
其中$\bar{\alpha}t = \prod^t (1-\beta_s)$。
