扩散模型是什么？从加噪训练到逐步生成图像的机制
解释扩散模型的训练与生成，用噪声和文字条件说明去噪过程，区分像素空间与潜空间，并指出步骤、提示和画面真实性的边界。
先理解这个概念
扩散模型是一类通过学习噪声过程来生成数据的模型。在典型图像方法中，训练让模型学习从带噪数据估计去噪方向，生成时再从噪声逐步构造图像。具体模型和采样方法会不同，也不只用于图像。生成画面可以很逼真，但它是模型合成结果，不证明对应场景真实发生，更不自动恢复原本不存在的细节。
训练学习去噪与生成使用模型分开理解
DDPM研究描述加噪与学习反向过程，运行生成则使用训练后的参数。用户输入一句画面描述，通常是在进行条件生成，不是每次重新训练整个模型。把推理步骤调多，也不能直接说模型接受了更多训练或记住了用户偏好。
可以把噪声看作生成的随机起点，但实际计算不是人用橡皮擦逐点清理。模型依据学习到的分布估计变化，采样器决定怎样迭代。本文核对机制资料，没有生成图片或对比采样速度，也不以比喻代替具体算法。
文字条件与潜空间改变计算的组织方式
文字条件引导图像朝描述方向生成，但不保证数量和位置全部符合要求。潜扩散则先在压缩表示中计算，再解码为图像，不能把所有扩散模型都说成直接在最终像素上工作。相关结构还可能结合其他控制输入。
模型架构和训练会影响结果，不能看到某个产品使用扩散这个词，就推断它支持相同参数。不同采样方式的步骤数也不可简单横比。需要控制构图时，还可以检查结构条件工具，而不是只反复加长文字描述。
验收生成画面要按用途检查细节
海报概念图可以检查构图与主体，资料配图则需要确认没有误导性文字和事实暗示。看起来像照片不意味着可以作为现场证据。若涉及修复旧图，新增纹理也可能是推测，应保留原图对照，而不能称为真实细节还原。
本文未进行模型实测或给出固定最佳步数。实际比较需要相同任务和清晰记录，保存模型与采样设置。扩散是一种生成机制，输出是否可用仍由任务要求和人工核查决定，不能从技术名称推断作品质量。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。