以下文章来源于深蓝AI ，作者深蓝学院 深蓝AI . 专注于人工智能、机器人与自动驾驶的学习平台。 来源 | 深蓝AI 点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近30个 方向 学习 路线 >>自动驾驶前沿信息获取 → 自动驾驶之心知识星球 本文只做学术分享，如有侵权，联系删文 在生成式 AI 的世界里，扩散模型几乎成了"图像质量保证书"。 但，扩散模型真的在"去噪"吗？ 去噪应该是：给我一张被污染的图，我把干净图像还给你。 但如今几乎所有扩散模型都不是这样工作的——它们训练网络去预测噪声、或者预测混合噪声的量。 图1｜ 这张图演示了 图像生成 的核心思想：自然图像通常位于一个低维流形上，而噪声或混合噪声（如图中所示的噪声项与"图像减噪声量"）则散落在高维空间。也正因为干 净图像在低维结构中，而噪声是彻底的高维乱流，让模型去预测图像本身和去预测噪声，本质上是两类完全不同的任务 1 — 把噪声扔掉，让模型专注图像 作者强调一个机器学习领域的经典假设： 自然图像位于一个低维的 manifold 上 ，几何结构连贯、有规律。但噪声呢？ 听起来更像是在"学习噪声"，而不是"学习图像"。 ...