前面 GAN 主要通过学习反馈改进一次成图的生成器。扩散换了一种组织方式：先用已知照片主动造出由易到难的受损状态，再学习如何从这些状态中获得恢复所需的信息。红杯照片在轻噪时仍可辨认，噪声更强时轮廓逐渐难以判断；不同噪声等级给训练提供一系列可控制的难度。前向出题规则可以固定；换成另一类训练数据，模型仍需学习那类数据对应的逆向规律，不能只靠加噪公式自动获得。

但不要把训练与生成看成同一段录像的正放、倒放。训练的这道题确实有一张已知原图，出题者知道自己怎样损坏它。生成时却从新抽取的随机状态开始，没有一张指定照片被悄悄塞进其中，等待完整找回来。模型利用从许多数据中学到的规律，逐步构成一个候选。

“那最终图片到底由谁决定？” 由训练后的模型、任务条件、起始随机状态以及更新规则共同决定。若采样过程继续加入随机扰动，这些新扰动也会影响路径。固定所有这些因素时可以得到确定的过程；改变起点或规则则可能产生不同结果。可复现不等于起始噪声本身包含了一张可直接读出的原照片。

同一场景关系可以容得下两种完整杯形，因此图中两个新起点可以通向不同的守约结果。这里的状态带是机制示意，不是一次真实扩散模型的采样记录；它说明“新起点生成”与“恢复一道训练题”在身份上的差别，而不提供生成质量的实测证据。

还要留意“纯噪”这个教学简写。实际加噪日程通常把末端分布设计得接近一个易于抽样的噪声分布，有限日程是否已足够接近是技术条件；不能仅因图看上去杂乱就宣布原图信息严格为零。更一般地说，逐渐破坏使局部训练任务可被反复构造，新的随机起点则让学到的规律用于生成。

下一页把监督回路拆开：出题者知道原图与扰动，模型究竟能看什么，答案又放在哪里？