扩散模型是一种生成模型，常用于于图像生成 
1. 扩散模型的基本思想
扩散模型的核心在于模拟数据的“扩散”和“恢复”过程： 

前向过程（加噪）：从真实数据开始，逐步添加噪声，最终将数据变成纯噪声。
反向过程（去噪）：从纯噪声开始，逐步去除噪声，恢复到接近真实数据的样本。 
这个过程可以看作是一个“破坏”与“重建”的循环，其中前向过程是固定的，而反向过程需要通过神经网络学习。

2. 前向过程（加噪）

前向过程是一个固定的、不可学习的扩散过程，通常被建模为一个马尔科夫链。目标是将真实数据逐步“污染”成纯噪声。 

前向过程通过预定义的噪声调度，扩散过程离散化为 T 个时间步，在时间步 t 时的带噪样本： 
\mathbf{z} = a(t) \mathbf{x} + b(t) \boldsymbol{\epsilon} 其中， \boldsymbol{\epsilon}_t \sim \...