Diffusion

首先是采样部分。你把一个照片不断加噪音，让它糊掉，于是你得到了一串从清晰到全糊的一串照片。
然后训练的部分，你弄一个AI。你拿相邻的两张照片，比如一张糊了一点和糊了一些的照片放到AI面前，或者95%糊和100%纯gaussian noise给它看，让它找规律。它见得多了，对于任意一张清晰到白噪音的照片，它都能“想起”或者“生成”一张稍微再清晰一点的照片。
最后生成的时候，你拿一张白噪音给它，它就想起自己之前看过的95糊到全糊的训练样本，然后给你一张95糊的。你再把95糊的给它，还你90糊的，以此类推。让它重复个几十次，到最后就给你一张全清晰的。
注意，信息是由网络注入到白噪音里的。

• Diffusion Forcing的讲解
  对于behavior cloning + noisy data的场景很适合，也许可以用在拟人化的对话生成任务
  这个似乎还能结果“幻觉”问题，之前的Diffusion容易出现缺乏局部相关性的问题，这个模型可以解决。

Paper

-【Diffusion】Alignment of Diffusion Models: Fundamentals, Challenges, and Future

• 论文地址：https://arxiv.org//pdf/2409.07253
• 开源代码：https://github.com/xie-lab-ml/awesome-alignment-of-diffusion-models