扩散模型怎么从噪点生成图片？文生图原理一次讲透

你在 Midjourney 里敲下“一只穿着宇航服的橘猫，赛博朋克风格”，几十秒后，一张细节丰富的画就出来了。

你有没有想过一个更玄的问题：它到底是怎么“无中生有”的？一个程序，没有画笔、没有颜料、没有画布，凭什么能凭一句话，就画出一张从未存在过的画？

答案就藏在近几年 AI 绘画（Stable Diffusion、Midjourney、DALL·E 等）背后的核心技术——扩散模型（Diffusion Model）里。它也是 AIGC（AI 生成内容）这波浪潮最硬核的地基之一。今天我们把这件事一次讲透。

一、先给个直觉：从“去噪”说起

要理解扩散模型，别一上来就啃公式，先从一件人人都熟悉的事说起——照片去噪。

你有一张老照片，上面全是噪点和划痕。你希望有一台机器，能把噪点去掉，还原出干净的画面。这个“去噪”能力，直觉上挺好理解。

现在，把这件事反过来想：

如果我有一台“去噪机器”，它能把“带噪的图”还原成“干净的图”。那我能不能反着用——先造一张“纯噪点”（全是随机噪点，什么都没有），然后让这台机器去噪，不就“无中生有”出一张图了吗？

这就是扩散模型的核心直觉。它不神奇，就是“去噪”这个朴素想法的逆向应用。

二、正向：给图片“泼脏水”，一步步变成纯噪点

要训练出那台“去噪机器”，得先有“带噪图”和“干净图”的配对数据。可现实中哪有这种配对？

扩散模型的妙招是：自己“造”带噪图。

具体做法叫正向扩散：

拿一张真实的干净图片，给它加一点点噪点；再加一点点；再加一点点……加很多步之后，图片就被“淹没”了，变成一团纯随机噪点。

用 Mermaid 看这个过程：

关键点来了：这个“加噪”过程是固定的、人为设计的，不需要学习——每一步加多少噪，是提前定好的公式。你随手就能造出“任意一步的带噪图”。

这样，训练数据就有了：“第 t 步的带噪图” 和 “第 t-1 步的略干净图” 的配对，要多少有多少。

三、反向：训练模型学会“一步步擦掉噪点”

有了配对数据，就可以训练那台“去噪机器”了。它学的是：

给定一张“带噪图”，预测出它“干净一点”的样子（或者直接预测出图里混入的噪点）。

这一步一步地做，就是反向扩散：

于是整个扩散模型，就是两个过程的组合：

• 正向加噪（固定，不用学）：把图毁成噪点，用来造训练数据；
• 反向去噪（要学，这是模型本体）：学会从噪点一步步“擦”出一张图。

一旦模型学会了“去噪”，它就能从一团纯随机噪点出发，一步步“擦”出一张全新的图。 这就是 AI 绘画“无中生有”的全部秘密——它不是“画”出来的，是“擦”出来的。

四、文生图：让文字来“指挥”去噪的方向

但还有一个问题：从纯噪点去噪，能“擦”出无数种可能的图，怎么保证擦出的是“宇航员橘猫”，而不是别的？

答案是：给去噪过程加一个“条件”——文字。

文生图模型会把你的文字（“宇航员橘猫”）编码成一个条件向量，然后在每一步去噪时，把这个条件“喂”给模型，告诉它：

“往这个方向擦——要擦出一只宇航员橘猫，不是别的。”

这样，同一个去噪过程，因为条件不同，就能生成不同的图。文字，就是那个“指挥棒”，引导着噪点一步步被擦成你想要的样子。

用图串一下完整的文生图流程：

五、为什么这条路走得通：把难题拆成“一步步”

看到这儿，你可能想问：直接让模型“从噪点一步生成图”不行吗？为什么要费劲地“一步步去噪”？

这恰恰是扩散模型的精妙之处。它借鉴了一个朴素的思想：

一个很难的、一步到位的问题，往往可以拆成一连串“只前进一小步”的简单问题。

直接“从噪点生成一张画”，难如登天。但“把一张略微带噪的图，擦干净一点点”，就简单得多。扩散模型把“生成”这个大难题，拆成了几十上百个“去一点点噪”的小步骤，每一步都简单、可学，串起来却能完成惊人的生成。

这个“把难事拆小步”的思路，和推理模型“先想再答、一步步来”其实是相通的。很多 AI 的突破，都藏在这“不追求一步到位，而是一步步逼近”的智慧里。

六、用 NumPy 感受一下“加噪”到底在干什么

去噪模型太复杂，但“加噪”这一步，用 NumPy 几行代码就能看明白：

import numpy as np

# 模拟一张"图片"（这里用 4x4 的灰度图）
image = np.array([[0.8, 0.2, 0.9, 0.1],
                  [0.3, 0.7, 0.5, 0.6],
                  [0.9, 0.4, 0.2, 0.8],
                  [0.1, 0.5, 0.3, 0.9]])

def add_noise(img, step, total_steps=50):
    """给图片加噪，step 越大，噪点越多"""
    noise = np.random.randn(*img.shape)      # 标准正态分布的随机噪点
    # 噪点的比例随 step 增大而增大，最终逼近纯噪点
    alpha = 1.0 - step / total_steps
    return alpha * img + (1 - alpha) * noise

print("原图:\n", image.round(2))
print("\n第 10 步加噪:\n", add_noise(image, 10).round(2))
print("\n第 50 步加噪(接近纯噪点):\n", add_noise(image, 50).round(2))

跑一下你会看到，随着 step 增大，图片越来越“糊”，最后几乎看不清原本的样子，只剩一片随机噪点。正向加噪就是这么简单直接；而反向去噪，就是训练一个模型，把这个过程一步步“倒放”回去。

七、写给你的两条建议

1. 先抓住“加噪是固定的、去噪是学出来的”这个核心。这是扩散模型和很多生成模型最本质的区别——它不直接学“怎么生成”，而是学“怎么去噪”，然后靠“反向去噪”来生成。
2. 理解“文字是条件、是方向”。文生图里，文字不是“命令”，而是“约束去噪方向的引导”。理解了这一点，你就明白为什么同一句提示词、不同随机噪点，会生成不同的图——因为起点（噪点）是随机的，文字只管方向，不管“每一笔落在哪”。

最后说句实在话：扩散模型正在彻底改写“创作”的定义。以前“画一张画”是人的专属能力，现在，它被拆解成了“去噪”这个机器擅长的任务。

技术的进步，很多时候不是“教会机器做人做的事”，而是“把人的事，重新定义成机器能做的事”。