已验证75% 置信事实精确时间
扩散模型的数学本质是基于随机微分方程和得分匹配理论，支撑着Stable Diffusion、DALL-E等图像生成系统
3
来源数
75%
置信度
长期有效
时效性
2026/8/14
首次发现
来源
相关事实
待验证扩散模型的去噪采样过程可被视为一个随机微分方程的解，包含确定性漂移项和随机扩散项。78% 相似待验证扩散模型天然是随机过程而视频要求确定性，两者在数学上存在张力，这是即便最先进模型仍会出现主体变形或场景跳变的根本原因76% 相似已验证Stable Diffusion基于潜在扩散模型（Latent Diffusion Model），通过在压缩的潜在空间中进行去噪过程来生成高质量图像76% 相似待验证2020年后兴起的扩散模型（Diffusion Models）直接建立在随机微分方程与概率流的数学框架之上76% 相似待验证扩散模型（如Stable Diffusion）在去噪过程中预测的是像素属于某内容的概率，最终解码器将这些概率加权平均成像素值，因此线条边缘是连续灰度过渡而非二值掩码。76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/748166API
curl https://kongchang.com/api/v1/knowledge/claims/748166MCP
get_claim(id=748166)