2 Background

扩散模型【53】是一种以 $p_{\theta }\left({\mathbf{x}}_0\right):=\int p_{\theta }\left({\mathbf{x}}_{0:T}\right)d{\mathbf{x}}_{1:T}$ 形式的潜在变量模型，其中 ${\mathbf{x}}_1,\dots ,{\mathbf{x}}_T$ 是与数据 ${\mathbf{x}}_0\sim q\left({\mathbf{x}}_0\right)$ 同维度的潜变量。联合分布 $p_{\theta }\left({\mathbf{x}}_{0:T}\right)$ 被称为反向过程，其定义为从 $p\left({\mathbf{x}}_T\right)=\mathcal{N}\left({\mathbf{x}}_T;0,\mathbf{I}\right)$ 开始的学习高斯过渡的马尔科夫链：

$$p_{\theta }\left({\mathbf{x}}_{0:T}\right):=p\left({\mathbf{x}}_T\right)\prod _{t=1}^T{p}_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right),p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right):=\mathcal{N}\left({\mathbf{x}}_{t-1};{\mathbf{\mu }}_{\theta }\left({\mathbf{x}}_t,t\right),{\mathbf{\Sigma }}_{\theta }\left({\mathbf{x}}_t,t\right)\right)(1)$$

将扩散模型与其他类型的潜在变量模型区别开来的是，近似后验 $q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)$（被称为前向过程或扩散过程）固定为一个马尔科夫链，该链根据方差调度 ${\beta }_1,\dots ,{\beta }_T$ 逐渐向数据添加高斯噪声：

$$q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right):=\prod _{t=1}^{T}q\left({\mathbf{x}}_t\mid {\mathbf{x}}_{t-1}\right),q\left({\mathbf{x}}_t\mid {\mathbf{x}}_{t-1}\right):=\mathcal{N}\left({\mathbf{x}}_t;\sqrt{1-{\beta }_t}{\mathbf{x}}_{t-1},{\beta }_t\mathbf{I}\right)(2)$$

训练过程主要是通过优化变分下界（也称作证据下界，或ELBO）的负对数似然性来完成的：

$$\mathbb{E}\left[-\log p_{\theta }\left({\mathbf{x}}_0\right)\right]\le {\mathbb{E}}_q\left[-\log \frac{p_{\theta }\left({\mathbf{x}}_{0:T}\right)}{q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)}\right]={\mathbb{E}}_q\left[-\log p\left({\mathbf{x}}_T\right)-\sum _{t\ge 1}\log \frac{p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)}{q\left({\mathbf{x}}_t\mid {\mathbf{x}}_{t-1}\right)}\right]=:L(3)$$

可以通过重参数化【33】学习前向过程的方差 ${\beta }_t$，或者将其视为恒定的超参数，并通过选择高斯条件下的 $p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)$，确保反向过程的表达力，因为当 ${\beta }_t$ 很小的时候，这两个过程具有相同的函数形式【53】。前向过程的一个显著特性是，它允许在任意时间步长 $t$ 以封闭形式采样 ${\mathbf{x}}_t$：使用符号 ${\alpha }_t:=1-{\beta }_t$ 和 ${\bar{\alpha }}_t:={\prod }_{s=1}^t{\alpha }_s$，我们有：

$$q\left({\mathbf{x}}_t\mid {\mathbf{x}}_0\right)=\mathcal{N}\left({\mathbf{x}}_t;\sqrt{{\bar{\alpha }}_t}{\mathbf{x}}_0,\left(1-{\bar{\alpha }}_t\right)\mathbf{I}\right)(4)$$

因此，我们可以通过使用随机梯度下降优化$L$的随机项进行高效训练。进一步的改进来自于通过将$L$（3）重写为以下格式来降低方差：
$${\mathbb{E}}_q[\underset{L_T}{\underbrace{D_{\mathrm{KL}}\left(q\left({\mathbf{x}}_T\mid {\mathbf{x}}_0\right)\Vert p\left({\mathbf{x}}_T\right)\right)}}+\sum _{t>1}\underset{L_{t-1}}{\underbrace{D_{\mathrm{KL}}\left(q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)\Vert p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)\right)}}\underset{L_0}{\underbrace{-\log p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)}}](5)$$
（详情请参见附录A。这些项的标签用于第3节。）公式（5）使用KL散度直接将$p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)$与条件于${\mathbf{x}}_0$时可以处理的前向过程后验进行比较：
$$\begin{array}{rl}q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)& =\mathcal{N}\left({\mathbf{x}}_{t-1};{\tilde{\mathbf{\mu }}}_t\left({\mathbf{x}}_t,{\mathbf{x}}_0\right),{\tilde{\beta }}_t\mathbf{I}\right)(6)\\ \text{ where }{\tilde{\mathbf{\mu }}}_t\left({\mathbf{x}}_t,{\mathbf{x}}_0\right)& :\frac{\sqrt{{\bar{\alpha }}_{t-1}}{\beta }_t}{1-{\bar{\alpha }}_t}{\mathbf{x}}_0+\frac{\sqrt{{\alpha }_t}\left(1-{\bar{\alpha }}_{t-1}\right)}{1-{\bar{\alpha }}_t}{\mathbf{x}}_t\text{ and }{\tilde{\beta }}_t:=\frac{1-{\bar{\alpha }}_{t-1}}{1-{\bar{\alpha }}_t}{\beta }_t(7)\end{array}$$
因此，公式（5）中的所有KL散度都是高斯间的比较，所以它们可以以Rao-Blackwellized的方式通过封闭形式的表达式计算，而不是使用高方差的蒙特卡洛估计。

上篇文章DDPM公式推导（一）已经推导了式(2)和式(4)，下面我们来推导式(3)
设概率模型的分布为 $p(\mathbf{x};\theta )$ ，其中 $\theta$ 为分布 $p$ 的参数， $\mathbf{x}$ 代表观察到的随机变量，在这里就是图像，准确的说 $\mathbf{x}$ 是包含 $D$ 个像素的高维张量，其每个分量都代表一个像素，因此 $\mathbf{x}$ 是多元随机变量。为了区别于其他分布，模型的分布表示为 $p_{\theta }(\mathbf{x})$ 。
补充知识–最大似然估计
在深度学习中，估计模型参数的一种常用方法是最大似然估计。似然 (likelihood) 这个词是从贝叶斯公式中而来。如果有给定观测随机变量 $X$ 和假设 $Y$ ，则根据贝叶斯公式有:
$$P(Y\mid X)=\frac{P(X\mid Y)P(Y)}{P(X)}$$
其中等式左侧 $P(Y\mid X)$ 是给定数据 $X$ 的情况下假设 $Y$ 成立的概率，称为后验概率，右侧分子中 $P(Y)$ 称为假设的先验概率，而 $P(X\mid Y)$ 在假设 $Y$ 下 $X$ 出现的概率，称为似然。而分母 $P(X)$ 称为数据或证据，主要作用是归一化后验概率，使概率积分为 1 ，一般用 $\alpha$ 代替，因此可以简写如下:
$$P(Y\mid X)=\alpha P(X\mid Y)P(Y)$$
如果所有可能的假设 $Y$ 都有等概率的可能性，则 $P(Y)$ 为常数，因此要使后验 $P(Y\mid X)$ 最大，需要似然 $P(X\mid Y)$ 最大，这就是最大似然估计。
$p_{\theta }(\mathbf{x})$定义为似然，模型参数 $\theta$ 本身也是随机变量，可以被视为一种假设，显然 $\theta$ 是未知的， $\mathbf{x}$ 是观察到的随机变量，是已知的，那么就有给定已知的 $\mathbf{x}$ 下假设 $\theta$ 的后验概率 $p(\theta \mid \mathbf{x})$ 。设真实分布的参数为 $\Theta$ ，则显然有 $p(\Theta \mid \mathbf{x})=1$ (在给定 $\mathbf{x}$ 下真实分布的参数 $\Theta$ 必然存在)，因此 $p(\theta \mid x)\le p(\Theta \mid x)=1$ ，进而得到这样的推论：后验概率 $p(\theta \mid \mathbf{x})$ 越大，就越接近真实分布，因此目标就是最大化 $p(\theta \mid \mathbf{x})$ 。用贝叶斯公式表示 $p(\theta \mid \mathbf{x})$ 就有:
$$p(\theta \mid \mathbf{x})=\alpha p(\mathbf{x}\mid \theta )p(\theta )$$
由于$p(\mathbf{x}\mid \theta )$ 是给定 $\theta$ 下生成 $\mathbf{x}$ 的条件概率分布，而这与 $p_{\theta }(\mathbf{x})$ 原始定义 $p(\mathbf{x};\theta )$ 的意义相同，因此两者是等价的。因此，最大化似然就是最大化$p_{\theta }(\mathbf{x})$。
由于对数有很好的数学性质，可以将乘除法变为加减法，降低求导的复杂度，减小计算量，同时还可以防止计算机在数值计算时的溢出，并且不会影响估计的结果。通常使用对数似然来进行估计，即$\log p_{\theta }(\mathbf{x})$，DDPM 的训练目标是使对数似然最大的模型参数 $\theta$ ，可以表示为：
$$\theta =\underset{\theta }{\mathrm{argmax}}\log p_{\theta }(\mathbf{x})$$
将${\mathbf{x}}_0$代入扩散模型可以表示为:
$$p_{\theta }\left({\mathbf{x}}_0\right):=\int p_{\theta }\left({\mathbf{x}}_{0:T}\right)d{\mathbf{x}}_{1:T}$$
取log，得：
$$\log p_{\theta }\left({\mathbf{x}}_0\right)=\log \int p_{\theta }\left({\mathbf{x}}_0,{\mathbf{x}}_{1:T}\right)d{\mathbf{x}}_{1:T}$$
但是这种高维积分难以处理，因此引入变分推断来解决这个问题
知识补充-变分推断
Variational Inference（变分推断）用一个已知的、易于处理和采样 (tractable) 的分布（例如高斯分布或指数分布) 去近似一个未知复杂的难以处理的分布。在数学上变分推断常用 KL-Divergence ( $\mathrm{KL}$ 散度，符号 ${\mathcal{D}}_{KL}$ ) 来近似，KL散度表示两个分布的相似度，值域是标量，值越小两个分布越接近，并且 KL 散度有个性质是 ${\mathcal{D}}_{KL}\ge 0$ (通过 Jensen 不等式证明)。KL 散度公式如下:
$$\begin{array}{rl}{\mathcal{D}}_{KL}(q(x)\Vert p(x))& =\int q(x)\log \frac{q(x)}{p(x)}dx\\ & =\int \log \frac{q(x)}{p(x)}q(x)dx\\ & ={\mathbb{E}}_q\left[\log \frac{q(x)}{p(x)}\right]\end{array}$$
积分改写为期望, 下标 $q$ 表示 $x\sim q(x)$
因此，通过变分推断使模型分布 $p_{\theta }\left({\mathbf{x}}_0\right)$ 尽可能接近真实分布 $q\left({\mathbf{x}}_0\right)$ ，最小化两个分布的 KL 散度，因此 DDPM 的训练目标就从最大化对数似然切换到最小化 KL 散度，如下:
$$\theta =\underset{\theta }{\mathrm{argmin}}{\mathcal{D}}_{KL}\left(q\left({\mathbf{x}}_0\right)\Vert p_{\theta }\left({\mathbf{x}}_0\right)\right)$$
但是现在真实分布$q\left({\mathbf{x}}_0\right)$是未知的，因此人为定义了前向过程$q\left({\mathbf{x}}_t\mid {\mathbf{x}}_{t-1}\right)$，而前向过程的目的是构建一个从数据 ${\mathbf{x}}_0$ 到噪声 ${\mathbf{x}}_T$ 的路径，使得数据逐步被加噪直至完全变成高斯噪声。通过这个过程，我们可以从任意时刻 $t$ 的噪声状态 ${\mathbf{x}}_t$ 推导出其在初始数据 ${\mathbf{x}}_0$ 上的后验分布 $q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)$ 。然后，我们训练一个模型 $p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)$ 来近似这个后验分布。因此前向过程相当于一个中间桥梁，让我们可以让$p_{\theta }\left({\mathbf{x}}_0\right)$去接近$q\left({\mathbf{x}}_0\right)$。
后验分布是已知的，代入即可
$$\theta =\underset{\theta }{\mathrm{argmin}}{\mathcal{D}}_{KL}\left(q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)\Vert p_{\theta }\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)\right)$$
这样就有：
$$\begin{array}{rlrl}{\mathcal{D}}_{KL}(q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)\Vert p_{\theta }\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right))& ={\mathbb{E}}_q\left[\log \frac{q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)}{p_{\theta }\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)}\right]& & \\ & ={\mathbb{E}}_q\left[\log \frac{q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)p_{\theta }({\mathbf{x}}_0)}{p_{\theta }({\mathbf{x}}_{0:T})}\right]& & \\ & ={\mathbb{E}}_q\left[\log \frac{q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)}{p_{\theta }({\mathbf{x}}_{0:T})}+\log p_{\theta }({\mathbf{x}}_0)\right]& & \\ & ={\mathbb{E}}_q\left[\log \frac{q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)}{p_{\theta }({\mathbf{x}}_{0:T})}\right]+{\mathbb{E}}_q[\log p_{\theta }({\mathbf{x}}_0)]& & \end{array}$$
期望下标$q$表示${\mathbf{x}}_{1:T}\sim q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)$。
将等式两边重新整理有:
$$\begin{array}{rl}& {\mathbb{E}}_q[\log p_{\theta }({\mathbf{x}}_0)]={\mathcal{D}}_{KL}(q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)\Vert p_{\theta }\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right))-{\mathbb{E}}_q\left[\log \frac{q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)}{p_{\theta }({\mathbf{x}}_{0:T})}\right]\\ & {\mathbb{E}}_q[\log p_{\theta }({\mathbf{x}}_0)]\ge -{\mathbb{E}}_q\left[\log \frac{q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)}{p_{\theta }({\mathbf{x}}_{0:T})}\right]\\ & {\mathbb{E}}_q[\log p_{\theta }({\mathbf{x}}_0)]\ge {\mathbb{E}}_q\left[\log \frac{p_{\theta }({\mathbf{x}}_{0:T})}{q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)}\right]\\ & {\mathbb{E}}_q[-\log p_{\theta }({\mathbf{x}}_0)]\le {\mathbb{E}}_q\left[-\log \frac{p_{\theta }({\mathbf{x}}_{0:T})}{q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)}\right]\end{array}$$
将式(1)式(2)代入得：
$$\begin{array}{rl}{\mathbb{E}}_q\left[-\log p_{\theta }\left({\mathbf{x}}_0\right)\right]& \le {\mathbb{E}}_q\left[-\log \frac{p\left({\mathbf{x}}_T\right){\prod }_{t=1}^T{p}_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)}{{\prod }_{t=1}^{T}q\left({\mathbf{x}}_t\mid {\mathbf{x}}_{t-1}\right)}\right]\\ & ={\mathbb{E}}_q\left[-\log p\left({\mathbf{x}}_T\right)-\log \prod _{t=1}^T\frac{p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)}{q\left({\mathbf{x}}_t\mid {\mathbf{x}}_{t-1}\right)}\right]\\ & ={\mathbb{E}}_q\left[-\log p\left({\mathbf{x}}_T\right)-\sum _{t\ge 1}\log \frac{p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)}{q\left({\mathbf{x}}_t\mid {\mathbf{x}}_{t-1}\right)}\right]\end{array}$$
在不等式右侧，把负号提出，在数学上被称为变分下界 (VLB) (或称证据下界 ELBO)，由于两边取负，不等式符号反转，因此在这里就成为变分上界，统称变分界。
就这样，我们推出了式(3)，从而得出结论：最大化对数似然等价于最小化变分上界。即：
$$\theta =\underset{\theta }{\mathrm{argmin}}L$$
在式(3)中，我们需要考虑从初始状态 ${\mathbf{x}}_0$ 到最终状态 ${\mathbf{x}}_T$ 的所有时间步 $t$ ，并对所有时间步的所有中间状态进行联合期望计算。这种联合期望会包含所有时间步的误差，导致较高的方差。
因此需要降低方差：
$$\begin{array}{rl}L& ={\mathbb{E}}_q\left[-\log \frac{p_{\theta }\left({\mathbf{x}}_{0:T}\right)}{q\left({\mathbf{x}}_{1:T}\mid {\mathbf{x}}_0\right)}\right]\\ & ={\mathbb{E}}_q\left[-\log p\left({\mathbf{x}}_T\right)-\sum _{t\ge 1}\log \frac{p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)}{q\left({\mathbf{x}}_t\mid {\mathbf{x}}_{t-1}\right)}\right]\\ & ={\mathbb{E}}_q\left[-\log p\left({\mathbf{x}}_T\right)-\sum _{t>1}\log \frac{p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)}{q\left({\mathbf{x}}_t\mid {\mathbf{x}}_{t-1}\right)}-\log \frac{p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)}{q\left({\mathbf{x}}_1\mid {\mathbf{x}}_0\right)}\right]\\ & ={\mathbb{E}}_q\left[-\log p\left({\mathbf{x}}_T\right)-\sum _{t>1}\log \frac{p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)}{q\left({\mathbf{x}}_t\mid {\mathbf{x}}_{t-1},{\mathbf{x}}_0\right)}-\log \frac{p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)}{q\left({\mathbf{x}}_1\mid {\mathbf{x}}_0\right)}\right]\\ & ={\mathbb{E}}_q\left[-\log p\left({\mathbf{x}}_T\right)-\sum _{t>1}\log \frac{p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)q\left({\mathbf{x}}_{t-1},{\mathbf{x}}_0\right)}{q\left({\mathbf{x}}_t,{\mathbf{x}}_{t-1},{\mathbf{x}}_0\right)}-\log \frac{p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)}{q\left({\mathbf{x}}_1\mid {\mathbf{x}}_0\right)}\right]\\ & ={\mathbb{E}}_q\left[-\log p\left({\mathbf{x}}_T\right)-\sum _{t>1}\log \frac{p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)q\left({\mathbf{x}}_{t-1},{\mathbf{x}}_0\right)}{q\left({\mathbf{x}}_{t-1},\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)q\left({\mathbf{x}}_t,{\mathbf{x}}_0\right)}-\log \frac{p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)}{q\left({\mathbf{x}}_1\mid {\mathbf{x}}_0\right)}\right]\\ & ={\mathbb{E}}_q\left[-\log p\left({\mathbf{x}}_T\right)-\sum _{t>1}\log \frac{p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)q\left({\mathbf{x}}_{t-1},\mid {\mathbf{x}}_0\right)q\left({\mathbf{x}}_0\right)}{q\left({\mathbf{x}}_{t-1},\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)q\left({\mathbf{x}}_t,\mid {\mathbf{x}}_0\right)q\left({\mathbf{x}}_0\right)}-\log \frac{p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)}{q\left({\mathbf{x}}_1\mid {\mathbf{x}}_0\right)}\right]\\ & ={\mathbb{E}}_q\left[-\log p\left({\mathbf{x}}_T\right)-\sum _{t>1}\log \frac{p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)}{q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)}\cdot \frac{q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_0\right)}{q\left({\mathbf{x}}_t\mid {\mathbf{x}}_0\right)}-\log \frac{p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)}{q\left({\mathbf{x}}_1\mid {\mathbf{x}}_0\right)}\right]\\ & ={\mathbb{E}}_q\left[-\log p\left({\mathbf{x}}_T\right)-\sum _{t>1}\log \frac{p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)}{q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)}-\sum _{t>1}\log q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_0\right)+\sum _{t>1}\log q\left({\mathbf{x}}_t\mid {\mathbf{x}}_0\right)+\log q\left({\mathbf{x}}_1\mid {\mathbf{x}}_0\right)-\log p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)\right]\\ & ={\mathbb{E}}_q\left[-\log p\left({\mathbf{x}}_T\right)-\sum _{t>1}\log \frac{p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)}{q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)}-\sum _{t>1}\log q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_0\right)+\sum _{t\ge 1}\log q\left({\mathbf{x}}_t\mid {\mathbf{x}}_0\right)-\log p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)\right]\\ & ={\mathbb{E}}_q\left[-\log p\left({\mathbf{x}}_T\right)-\sum _{t>1}\log \frac{p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)}{q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)}+\log q\left({\mathbf{x}}_T\mid {\mathbf{x}}_0\right)-\log p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)\right]\\ & ={\mathbb{E}}_q\left[-\log \frac{p\left({\mathbf{x}}_T\right)}{q\left({\mathbf{x}}_T\mid {\mathbf{x}}_0\right)}-\sum _{t>1}\log \frac{p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)}{q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)}-\log p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)\right]\\ & ={\mathbb{E}}_q\left[D_{\mathrm{KL}}\left(q\left({\mathbf{x}}_T\mid {\mathbf{x}}_0\right)\Vert p\left({\mathbf{x}}_T\right)\right)+\sum _{t>1}{D}_{\mathrm{KL}}\left(q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)\Vert p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)\right)-\log p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)\right]\end{array}$$
现在可以得到$L$:
$$L={\mathbb{E}}_q\left[D_{\mathrm{KL}}\left(q\left({\mathbf{x}}_T\mid {\mathbf{x}}_0\right)\Vert p\left({\mathbf{x}}_T\right)\right)+\sum _{t>1}{D}_{\mathrm{KL}}\left(q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)\Vert p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)\right)-\log p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)\right]$$
就这样，推出了式(5),式(5)将式(3)分解为多个时间步的KL散度项，每个项只对应特定时间步的损失。

• $L_T$ : 这个项衡量的是从真实数据到最终噪声状态的KL散度，即最后一步的误差。
• $L_{t-1}$ : 每个这样的项衡量的是从一个中间状态 ${\mathbf{x}}_t$ 到前一个状态 ${\mathbf{x}}_{t-1}$ 的KL散度。具体来说, 它衡量的是模型生成的分布 $p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)$ 与真实的后验分布 $q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)$ 之间的差异。
• $L_0$ : 这个项衡量的是从初始数据 ${\mathbf{x}}_0$ 到第一个中间状态 ${\mathbf{x}}_1$ 的对数概率。

---

继续化简：
$$\begin{array}{rl}L& ={\mathbb{E}}_q\left[D_{\mathrm{KL}}\left(q\left({\mathbf{x}}_T\mid {\mathbf{x}}_0\right)\Vert p\left({\mathbf{x}}_T\right)\right)+\sum _{t>1}{D}_{\mathrm{KL}}\left(q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)\Vert p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)\right)-\log p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)\right]\\ & ={\mathbb{E}}_q\left[D_{\mathrm{KL}}\left(q\left({\mathbf{x}}_T\mid {\mathbf{x}}_0\right)\Vert p\left({\mathbf{x}}_T\right)\right)+\sum _{t>1}{\mathcal{D}}_{KL}\left(q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)\Vert p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)\right)-\log \frac{p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)}{q\left({\mathbf{x}}_0\mid {\mathbf{x}}_1,{\mathbf{x}}_0\right)}\cdot q\left({\mathbf{x}}_0\mid {\mathbf{x}}_1,{\mathbf{x}}_0\right)\right]\\ & ={\mathbb{E}}_q\left[D_{\mathrm{KL}}\left(q\left({\mathbf{x}}_T\mid {\mathbf{x}}_0\right)\Vert p\left({\mathbf{x}}_T\right)\right)+\sum _{t>1}{\mathcal{D}}_{KL}\left(q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)\Vert p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)\right)+\log \frac{q\left({\mathbf{x}}_0\mid {\mathbf{x}}_1,{\mathbf{x}}_0\right)}{p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)}-\log q\left({\mathbf{x}}_0\mid {\mathbf{x}}_1,{\mathbf{x}}_0\right)\right]\\ & ={\mathbb{E}}_q\left[D_{\mathrm{KL}}\left(q\left({\mathbf{x}}_T\mid {\mathbf{x}}_0\right)\Vert p\left({\mathbf{x}}_T\right)\right)+\sum _{t>1}{\mathcal{D}}_{KL}\left(q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)\Vert p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)\right)+{\mathcal{D}}_{KL}\left(q\left({\mathbf{x}}_0\mid {\mathbf{x}}_1,{\mathbf{x}}_0\right)\Vert p_{\theta }\left({\mathbf{x}}_0\mid {\mathbf{x}}_1\right)\right)-\log q\left({\mathbf{x}}_0\mid {\mathbf{x}}_1,{\mathbf{x}}_0\right)\right]\\ & ={\mathbb{E}}_q\left[\underset{\text{与 }\theta \text{ 无关项 }}{\underbrace{D_{\mathrm{KL}}\left(q\left({\mathbf{x}}_T\mid {\mathbf{x}}_0\right)\Vert p\left({\mathbf{x}}_T\right)\right)}}+\sum _{t\ge 1}\underset{L_t}{\underbrace{{\mathcal{D}}_{KL}\left(q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)\Vert p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)\right)}}-\underset{\text{与 }\theta \text{ 无关项 }}{\underbrace{\log q\left({\mathbf{x}}_0\mid {\mathbf{x}}_1,{\mathbf{x}}_0\right)}}\right]\end{array}$$
与参数 $\theta$ 无关梯度为0，因此不作为训练目标。这样 $L_{t-1}$ 与 $L_0$ 合并为 $L_t$ 就有:
$$L_t={\mathbb{E}}_q\left[{\mathcal{D}}_{KL}\left(q\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t,{\mathbf{x}}_0\right)\Vert p_{\theta }\left({\mathbf{x}}_{t-1}\mid {\mathbf{x}}_t\right)\right)\right]$$
最终模型目标就是最小化 $L_t$ ，即:
$$\theta =\underset{\theta }{\mathrm{argmin}}{L}_t$$