很吸引人的一个标题，很吸引人的一个作者，来读一读明神的新作，讲的是怎么把去噪领域的一些有意思的思想，特别是blind denoising和noise-level estimation的思想，应用到denoising diffusion模型中，从而去掉denoising duffusion中的noise condition，也就是DDNM和DDPM中的时间步长 t，t 是用来估计噪声强度的，其实和blind denoising与noise-level estimation的噪声强度是对应的，既然blind denoising可以在无需提供噪声强度作为提示的情况下进行去噪，是不是意味着denoising generative model也不需要 t 作为输入呢。如果能做到这一点，是有好处的，比如可以使用一个统一的score function，而不需要以 t 为条件，这样在理论上更优雅一些。

文章提到，尽管损失函数是以下公式：

但网络的regression target却并不是$r(x,ϵ,t)$，而是一些能够将$(x,ϵ,t)$映射到$z$的$r$值的期望。说起来有点绕，换个说法，如果已知$z$和$t$，有没有可能得知一个唯一正确的$r$，文章想表达的是不可能，已知$z$和$t$的情况下$r$不唯一，那么这个损失函数并不是真正地让网络在回归拟合一个函数，这个函数不存在，网络只是在学习r的可能取值的期望。文章画了个图来表达这个不唯一性

那么我们可以把这个损失函数改为它的等价形式，设$r$的期望为$R$，那么等价形式是：


而关于这个采样函数$p$我们所知就是$z$对$x$的条件分布和$(x,ϵ,t)$的联合分布：

这个时候我们可以把$t$去掉，假设网络并不以$t$为输入，会变成下面的损失函数：

从新的$R(z)$可以看到，如果这里的$p(t|z)$是一个狄拉克delta函数，也就是说无论$t$是一个确定值，已知$z$就已知$t$，那$R(z|t)$就是一个确定值，可以直接当作$R(z)$，就可以直接用这里的unconditional变体代替conditional的，网络就不需要$t$作为额外输入。

那接下来的问题就是确定$p(t|z)$有多接近一个狄拉克delta函数。这里就可以从noise level estimation借鉴，既然这些方法可以从带噪声的图片估计出噪声强度，那么当$z$是一张带噪声图片时，$p(t|z)$就是一个concentrated distribution，这就比较接近狄拉克delta函数了。具体有多接近，要看分布的方差有多大，文中推导了以下结果：

其中$d$是数据维度

可以看到，数据维度越大，对应的方差就越小。不过这里是用简单假设推导的，实际的复杂情况可以用实验来试试：

接着可以分析直接用狄拉克delta代替$p(t|z)$，即去掉$t$导致的误差有多大：


这里$E(z)$约等于1，大概是$R(z)$的千分之一，因此可以去掉$t$，误差并不会太大。不过，由于推理阶段需要迭代采样，随着采样schedule的不同，产生的积累误差也不同。具体推导在这：

并且，前面的分析基于的假设是网络在学习$R(z|t)$和学习$R(z)$时都能完美拟合，但实际上学习$R(z|t)$和学习$R(z)$的难度不同，网络有可能因为学习$R(z|t)$更难而学习$R(z)$更简单，导致尽管$R(z)$存在误差，但是网络预测与$R(z)$之间的误差更小，使得总误差相比学习$R(z|t)$要更小，即学习$R(z)$的方法可能比学习$R(z|t)$具备更优秀的性能。所以接下来就是实验部分，把网络的noisie conditioning去掉，并且找到一个使得误差足够小的采样schedule。

文章对DDIM等模型做了一些实验，结果是，使用$t$通常效果会更好，但没有$t$其实也并不影响网络的生成能力，网络仍然能正常生成图片。只是效果不如使用$t$的模型。文章也试了几种不使用$t$的方案，其实结果都差不多：

总结，很有意思的一篇工作，虽然没有提出效果更好的模型，但是从理论和实验都展示了一个结论，$t$不是必要的，期待引入一些方法，在无$t$的denoising generative model上有更好的效果。