Diffusion Models Foundations (DDPM): 写出扩散的前向过程与闭式解。

Core Concept: 前向逐步加噪 q(x_t|x_{t-1})=N(√(1-β_t)x_{t-1}, β_t I)；闭式解可直接从 x_0 采样任意 t 的 x_t。

数学机理：<strong>前向过程（forward process）</strong>——给定数据 x_0，逐步加噪：q(x_t|x_{t−1})=N(x_t; √(1−β_t)·x_{t−1}, β_t·I)，即 x_t=√(1−β_t)·x_{t−1}+√β_t·ε，其中 β_t∈(0,1) 是<strong>噪声调度（noise schedule）</strong>（t 越大 β 越大）。<strong>闭式解（closed form）</strong>——把递推展开，可证明：q(x_t|x_0)=N(x_t; √(ᾱ_t)·x_0, (1−ᾱ_t)·I)，即 x_t=√ᾱ_t·x_0+√(1−ᾱ_t)·ε，其中 <strong>ᾱ_t=∏_{s=1}^{t}(1−β_s)</strong>（累积保留系数）。<strong>闭式解为什么重要</strong>——(a) <strong>训练效率</strong>——训练时可<strong>直接从 x_0 采样任意 t 的 x_t</strong>（一步），无需逐步加噪 T 次；这使得'随机采样 t + 一步加噪'成为训练循环（高效）；(b) <strong>理论分析</strong>——它揭示了'信噪比（SNR）=ᾱ_t/(1−ᾱ_t)'随 t 单调下降（从 ∞ 到 0）；(c) <strong>重参数化</strong>——x_t 可写成'信号 + 噪声'的线性组合，这是所有扩散损失推导的基础。<strong>ᾱ_t 的物理含义</strong>——它表示'到 t 步时保留的原始信号比例'：ᾱ_t 接近 1 时信号几乎完整（t 小）、接近 0 时信号被噪声淹没（t 大）。<strong>终点性质</strong>——当 T 足够大且调度合适时，ᾱ_T≈0，故 x_T≈N(0,I)（标准正态，与数据无关）；这是'反向过程从纯噪声出发'的前提。<strong>β 与 α 的记法</strong>——α_t=1−β_t、ᾱ_t=∏α_s；这两个符号在文献中通用。<strong>与 SDE 的关系</strong>——前向过程可写成<strong>随机微分方程（SDE）</strong>：dx=−½β(t)x dt+√β(t) dW；闭式解对应 SDE 的转移核。<strong>调度设计</strong>——β_t 的选择（linear/cosine）影响'各时间步的信噪比分布'，从而影响生成质量（见噪声调度题）。

深度剖析与工程权衡：① <strong>'闭式解让训练可行'是核心工程价值</strong>——没有它，每个训练样本都要逐步加噪 T 次（T 可能 1000），成本高得不可接受；有了它，训练只需'随机采 t + 一步加噪'。② <strong>'SNR = ᾱ_t/(1−ᾱ_t)'是关键量</strong>——它统一描述了'各时间步的难度'（SNR 高时任务简单、低时难）；噪声调度设计本质上是在'SNR 随时间的变化曲线'上做设计。③ <strong>'ᾱ_t 的调度'影响生成质量</strong>——若 ᾱ_t 衰减过快，则大量时间步处于'几乎纯噪声'（浪费）；过慢则'最后几步太难'。故需精心设计（见噪声调度题）。④ <strong>'x_T≈N(0,I)'是采样的起点</strong>——这使'从纯噪声生成'成为可能；也意味着'生成的多样性'来自起始噪声的随机性。⑤ <strong>'重参数化'是损失推导的基础</strong>——x_t=√ᾱ_t x_0+√(1−ᾱ_t)ε 使'预测噪声'与'预测 x_0'之间可互相转换（见 v-prediction 题）。⑥ <strong>面试要点</strong>——被问'扩散的前向过程'，应写出<strong>递推式 + 闭式解</strong>（x_t=√ᾱ_t x_0+√(1−ᾱ_t)ε）并解释'<strong>闭式解让训练可行</strong>'与'<strong>ᾱ_t 是信号保留比例、SNR 单调下降</strong>'；这是扩散类问题的基本盘。