NeurIPS 2020: Denoising Diffusion Probabilistic Models

数学原理（Mathematical Preliminary）

条件概率是指在给定另一个事件发生的条件下，某一事件发生的概率。条件概率通常用符号 $P(A\mid B)$ 表示，读作“在 B 发生的条件下 A 发生的概率”。

条件概率的计算公式为：

P(A\mid B)=\frac{P(A,B)}{P(B)}

其中：

对于事件 $A$ 而言，假设有一组互斥且穷尽的条件事件 $B_{1},B_{2},\ldots B_{n}$ 构成一个完备事件组，则事件 $A$ 的概率等于事件 $A$ 在每个条件事件 $B_i$ 下发生的概率与该条件事件发生概率的乘积和。

P(A)=\sum_{i=1}^nP(A\mid B_i)\cdot P(B_i)

可以看出，全概率公式是由“因”（条件事件 $B_i$ ）推“果”（结果事件 $A$ ）的过程，即当知道某结果事件的原因后，推断由该原因导致这件事发生的概率是多少。

贝叶斯公式在观测到结果事件 $A$ 发生后，计算其条件事件 $B_i$ 在事件 $A$ 已经发生的条件下而发生的后验概率。

继续沿用上述全概率公式的符号定义，则有：

P(B_i\mid A)=\frac{P(A\mid B_i)\cdot P(B_i)}{P(A)}

其中：

P(A,B,C)=P(C\mid A,B)\cdot P(A,B)=P(C\mid A,B)\cdot P(B\mid A)\cdot P(A)

P(B,C\mid A)=P(B\mid A)\cdot P(C\mid A,B)

其中，第二行公式的推导如下：

\begin{align*} P(B,C \mid A) &= \frac{P(A,B,C)}{P(A)} \\ &= \frac{P(A,B,C)}{\frac{P(A,B,C)}{P(C \mid A,B) \cdot P(B \mid A)}} \\ &= P(B \mid A) \cdot P(C \mid A,B) \end{align*}

对于两个单一变量的高斯分布 $p\sim \mathcal{N}(\mu_1,\sigma_1^2)$ 和 $q\sim \mathcal{N}(\mu_2,\sigma_2^2)$ 而言，它们的KL散度定义为：

D_{KL}(p,q)=\log\frac{\sigma_2}{\sigma_1}+\frac{\sigma_1^2+(\mu_1-\mu_2)^2}{2\sigma_2^2}-\frac12

马尔科夫链指当前状态的概率只与上一时刻有关，例如若满足马尔科夫关系 $A\to B\to C$ ，则有：

P(A,B,C) =P(C\mid A,B)\cdot P(A,B)=P(C\mid B)\cdot P(B\mid A)\cdot P(A)

P(B,C\mid A)=P(B\mid A)\cdot P(C\mid B)

从任意高斯分布 $\mathcal{N}(\mu,\sigma^2)$ 采样 $x$ 时，可以先从标准高斯分布 $\mathcal{N}(0,1)$ 中sample出 $z$ ，再令

x=\sigma * z + \mu

优势：