什么是扩散模型？

图像生成的过程是基于模型得到训练数据样本带参数的分布，然后使生成的数据分布与训练数据的分布相似。扩散模型的原理是基于数学中的马尔可夫性质，即当一个随机过程在给定现在状态和过去状态时，其未来状态的数据分布仅依赖于当前状态。扩散模型中，通过将高斯噪声添加到初始图像中，在不断加噪的过程中将图片转换为纯噪音图像（类似雪花屏）。由于图像的参数是已知的，所以扩散模型前向加噪的过程是可控的。与前向过程中数据噪音化不同，逆向过程是对纯噪音图片去噪的过程，需要扩散模型基于神经网络进行学习，从而生成图片。

扩散模型在细节和多样性方面具有较强的生成能力，已被用于各类生成式建模任务，如图像修复、多模态图像生成、医药分子图生成等，主要应用场景仍围绕 AIGC。在众多扩散模型中，Stable Diffusion 作为 AI 作图的主流软件之一，通过技术创新解决了扩散模型中的一些核心问题，提高了模型的可靠性和实用性。基于亚马逊云科技的 Stable Diffusion，能够帮助用户快速搭建 AI 作画的业务场景，只需点击几次即可实现自动化部署，最大程度发挥扩散模型的生成能力。