扩散模型的基本原理
哪些公司问过
答案要点
- 前向过程:固定的马尔可夫链逐步加高斯噪声,x_t = √ᾱ_t·x_0 + √(1−ᾱ_t)·ε 可一步算出
- 反向过程:网络学习逐步去噪,DDPM 简化为预测噪声 ε
- 训练损失:‖ε − ε_θ(x_t, t)‖²,时间步随机采样
- 采样:从标准高斯出发迭代去噪;DDIM 等方法可大幅减少步数
- 工程演进:潜空间扩散降低计算,无分类器引导实现文本等条件生成
易错点
- 以为前向过程需要学习:前向加噪是固定的,只有反向去噪需要学习
- 以为训练时要逐步跑完整条链:利用闭式解可直接采样任意时间步
- 把预测噪声与直接预测原图混为一谈:两者可互相换算,但训练目标不同
面试官常见追问
- 扩散模型和 GAN 相比有什么优缺点?
- 无分类器引导是怎么做的?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。