diffusers的核心是models和schedulers，我们首先简要介绍一下Diffusion的通用pipeline：

在扩散模型的训练过程中，pipeline首先产生一个与输入图片同尺寸的噪声图，在每个时间步（timestep），将噪声图传给model来预测噪声残差（noise residual），然后scheduler根据预测出的噪声残差来得到一张噪声较少的图像，如此反复，直到达到预设的最大时间步，就得到了一张高质量的生成图像。

在了解schedulers之前，首先，我们要区分Diffusion里的scheduler和pytorch里的scheduler，前者是一个采样器(samplers)，用于把噪声图像还原为原始图像；后者是一个学习率策略(例如余弦退火策略，指数衰减策略等)

针对Diffusion的scheduler，它的功能是实现逆向扩散，直观上理解的话它就是一个采样器，循环多个step把噪声图像逐渐还原为原始图像。根据采样方式不同，scheduler也有许多版本，包括DDPM，DDIM，DPM++ 2M Karras等。

注意：我们把去噪的过程定义为采样。使用采样的方法，称之为采样器。

各种有关schedulers的代码在diffusers库 diffusers/src/diffusers/schedulers/中可以找到。

以下我们主要介绍一些核心的schedulers的原理

DDPM中的model和scheduler对应其文章中的两个algorithm。

加噪过程：在重参数的表达下，第t个时刻的输入噪声图片可以表示为， xt=α¯tx0+1−α¯tϵ \bar\alpha_t\。则如文章的示例，可以表示为下图所示：

则去噪(采样)过程，可以由该子序列的反向Markov链替代，由于S长度小于L的长度，可以实现采样加速。

本小节主要翻译自引用6。

然而，截止现在，DDPM和DDIM已经被认为是过时的schedulers。

截至目前还有很多其它的Schedulers，能实现更好的性能以及更快速的采样。我们简短介绍一些目前经常用到的schedulers，不再展开它们的技术细节。

此外，还有一些非常古老的Schedulers，它们是通过常微分方程解得的，如下所示，它们可能已经不再被使用了：

一些别的注意事项，Ancestral samplers。

你可能会注意到，有一些samplers带有字母“a"。例如 Eular a，DPM a，DPM++ 2S a等等。它们是ancestral samplers，表示在每个采样过程中，加入了随机的噪声。当然，有一些不带字母a的采样器也有随机噪声，例如上文提到的DDPM。以下是带有随机噪声和不带有随机噪声的可视图对比：

带有随机噪声的生成steps中间结果，Euler a，可以看到，图像的采样过程并没有收敛，如下图所示。

没有随机噪声的生成steps中间结果，Euler，可以看到，图像的采样过程收敛，如下图所示。

为了可复现性，且希望图像收敛。如果你想产生轻微的变化，你应该使用不同的seed，而不是添加随机噪声。

除此之外，借鉴引用6，我们也展示了它们的不同的schedulers/samplers的生成图像。