Diffusion Models - AI Visual Lab

x_t = √ᾱ_t · x₀ + √(1-ᾱ_t) · ε

⚙ Control

Pasos T 50

Paso actual 0

🎵 Audio

Volumen 30%

📊 Metricas

Paso t0

Varianza ruido0.000

SNR (dB)∞

Entropia-

📚 De Ruido a Arte

Los modelos de difusion aprenden a revertir un proceso de destruccion: se añade ruido gaussiano progresivamente (forward) y se entrena una red para quitarlo (reverse).

Forward: x_t = √ᾱ_t · x_0 + √(1-ᾱ_t) · ε
Reverse: x_{t-1} = denoiser(x_t, t)

El schedule controla cuanto ruido se añade en cada paso. Lineal es simple; coseno preserva mas estructura al inicio.