∿扩散原野DIFFUSION FIELD
0/8
LABInteractive laboratory

别相信直觉，动手测它。

固定随机种子，改变一个变量，观察分布如何变化。所有上传图像实验均在浏览器本地处理；本版本聚焦点云、像素和调度三组核心实验。

2D data diffusiont = 340

实验二：上传图片，拆开信号与噪声

本地图像实验

把一张图拆成“保留的信号”和“加入的噪声”

图片只在你的浏览器内缩放到 56×56 并计算，不会上传到服务器。内置数字 7
x0x_0原始图像
ε\varepsilon标准高斯噪声
αˉtx0\sqrt{\bar\alpha_t}x_0信号部分
xtx_t两部分相加
当前 xtx_t 近似直方图
mean-0.598std0.810αˉt\bar\alpha_t0.6174

实验二补充：完整时间线控制

真实公式计算

信号 / 噪声观测台

SEED 42
x0x_0原始信号
×αˉt\times\sqrt{\bar\alpha_t}
xtx_t当前观测
+1−αˉt+\sqrt{1-\bar\alpha_t}
ε\varepsilon固定高斯噪声
9.37e-4βt\beta_t / 本步方差
0.91674αˉt\bar\alpha_t / 累计信号保留
0.2885噪声系数
11.011SNR / 信噪比

每个像素都按 xt=αˉtx0+1−αˉtεx_t=\sqrt{\bar\alpha_t}x_0+\sqrt{1-\bar\alpha_t}\varepsilon 重新计算。拖动滑块不会调用 CSS 模糊或透明度技巧。

实验三：调度器比较

Schedule explorer

噪声调度曲线

t = 0t = 500t = 1000

调度器规定每一步加入多少噪声；它改变信息被抹去的节奏，而不是改变“最终学习什么”。

预测目标与采样预算

实验四

预测目标：三个坐标系，同一份带噪观测

DDPM 核心路径target=ε\text{target}=\varepsilon

网络回答：这张带噪图里，哪一部分是我加进去的标准高斯噪声？

转换关系x^0=xt−1−αˉtεθαˉt\hat x_0=\frac{x_t-\sqrt{1-\bar\alpha_t}\varepsilon_\theta}{\sqrt{\bar\alpha_t}}

本站主线采用它；MSE 的时间权重并不等同于直接预测 x0x_0。

实验五

采样步数不是一个孤立旋钮

选择预算，读清楚为了减少网络评估次数，采样方法需要承担什么。

少步采样

通常配合 DDIM 或经过设计的采样器与时间步序列。