# 扩散模型：加噪与去噪（拓展）

> 来源：https://deeplearning.bnuai.com/demos/diffusion ｜ 作者：唐志清（北京师范大学） ｜ 更新：2026-11-01 ｜ 内容依据邱锡鹏《神经网络与深度学习》（https://nndl.ai/）及作者公开课件

> （此处为交互演示，请在网页中使用：https://deeplearning.bnuai.com/demos/diffusion）

## 观察要点

1. 前向过程是固定的加噪马尔可夫链，任意时刻 x_t 都可以从 x₀ 一步采样得到。
2. 反向过程只需要估计每个时刻的分数 ∇log q_t(x)，实际中由神经网络学习（预测噪声 ε）。
3. 扩散模型已成为图像生成（Stable Diffusion 等）的主流方法，但它不在本书第一版范围内。

相关章节：[第 13 章 深度生成模型](https://deeplearning.bnuai.com/chapters/13-deep-generative-models)。

**拓展内容**

扩散模型（Ho et al., 2020, *Denoising Diffusion Probabilistic Models*）不在教材第一版范围内，作为第 13 章深度生成模型的延伸阅读。