前言
之後會用到，先學一下。
主要內容來自HuggingFace教學，加上一些自己的筆記。由於我也剛學不久，若有錯誤的地方還請勘誤。
Diffusion Model
Diffusion model主要由三個部分組成：前向過程、反向過程和取樣程序。Diffusion model的目標是學習一個添加/移除Noise的過程，Training的階段會逐步添加Noise，直到圖片變成完全的Noise；Inferencing的時候會逐步移除Noise，直到還原出原圖(未添加Noise的時候的圖片)。
Forward階段：
給定x_t，我們可以算出x_{t-1}時候的圖片(多加上一層Noise)。 由於已知Noise是從一高斯分布採樣的，我們可以用一個係數控制每個timestep時Noise的強度，也就是說，在Forward階段我們可以得到任意timestep的圖片，且越接近時間點T的step越多Noise，還原難度越高。訓練的主要步驟：
Reverse階段：
Reverse階段負責移除Noise，從一張完全的Noise還原出想要的圖片。Inference程式：
做t次noise移除，最後的那一次就會得到0 noise的圖片。
從上面的training/inferencing程式來看，可以發現inference時是一步步走完整個timesteps，而training可以跳著sample，兩者的差異主要在於DDPM的Forward 是stochastic ，Reverse是deterministic。意及Training階段包含了Random function的使用，具有一定的隨機性，而Inference階段我們用模型取代了noise sampling，而Model參數已是固定的，所以結果是deterministic的。
