AI大佬何凯明、黎天鸿发新论文了！回归本源：让降噪生成模型（真正）降噪arxiv.org/abs/2511.13720----------------附带下AI解读：当你看到一个由AI生成的精美图像时，它很可能是通过“扩散模型”制作的。这个过程很有趣，它不是一步到位，而是从一张“纯噪音”（像电视雪花）的图像开始，然后“逐步降噪”，直到清晰的图像浮现。训练模型时，主流的方法是这样做的：1️⃣拿一张清晰的图像（我们称之为 x）。2️⃣往上面添加一定量的随机噪音（我们称之为 epsilon）。3️⃣得到一张“带噪音的”图像（我们称之为 z_t）。4️⃣然后，要求神经网络（模型）来预测它刚刚被添加的那个“噪音 epsilon”。这个方法在技术上被称为 epsilon-prediction（噪音预测）。还有一个类似的主流方法叫 v-prediction（速度预测），它预测的是一个混合了清晰图像和噪音的量。关键点是：在这些主流模型中，神经网络的直接输出目标不是那张清晰的图像 x，而是 epsilon 或 v。但这篇论文站出来说：等一等，这种做法（预测噪音）虽然很流行，但它可能从根本上就是错的，或者说至少是低效的。作者的理由基于一个在机器学习领域很经典的理论——“流形假设”（Manifold Assumption）。什么是“流形”？ 你可以把“所有可能的像素组合”想象成一个极其巨大的、高维度的空间（比如一个 256x256 图像就有 256x256x3 = 196,608 维）。 清晰的图像：在所有这些可能性中，那些“有意义的、看起来自然的”图像（比如一张猫的照片、一张人脸）只占了这个巨大空间中一个非常非常小的、具有特定结构的部分。这个“小而有结构”的部分，就被称为“低维流形”。 噪音：而“噪音”的特性是完全随机、无结构的。它不位于这个“流形”上，而是散布在整个巨大的高维空间中。基于这个理论，作者的逻辑变得非常清晰： 预测噪音（主流做法）是困难的：你让一个神经网络去预测一个遍布于整个“高维空间”的、无结构的“噪音”（epsilon）。这要求网络具有极高的“容量”（capacity）来记住和处理所有这些高维信息。 预测清晰图像（作者提倡的做法）是更简单的：你让神经网络直接预测那张“清晰的图像”（x）。因为 x 位于那个“低维流形”上，它的目标是结构化的、维度更低的。网络只需要学会如何从带噪的输入中“过滤掉”噪音，保留那些位于流形上的低维信息。因此，论文倡导，模型应该“回归本源”，直接执行“降噪”这个词的本意：直接预测那张清晰的图像。这个方法在论文中被称为 x-prediction。总结一下：作者认为，让模型去学习预测一个高维、无结构的“噪音”目标，是一种“舍近求远”的低效做法。而让模型回归到预测那个低维、有结构的“清晰图像”目标，在理论上更合理，在实践中（尤其是在处理高维像素数据时）更有效。
