扩散模型中的噪声调度通过控制训练和采样过程中噪声的添加和移除方式，直接影响样本质量。噪声调度定义了在扩散过程的每个步骤中应用的噪声量，从而平衡了保留数据结构和使模型能够学习有意义的去噪步骤之间的权衡。不同的调度会改变噪声在各个步骤中的分布，从而影响模型生成连贯、高保真输出的能力。例如，与优先考虑去噪过程特定阶段的非线性调度相比，线性调度（噪声随时间均匀添加）可能会导致次优结果。
一个关键因素是调度如何分配训练或采样步骤中的噪声水平。例如，基于余弦的调度会减慢过程中间噪声的增加，并加速噪声在结束时的增加，这可以帮助模型专注于在后面的步骤中改进细节。这与线性调度形成对比，在早期步骤中突然的噪声变化可能会扰乱模型学习连贯结构的能力。同样，将更多步骤分配给关键阶段（例如，从高噪声过渡到低噪声）的调度可以提高稳定性。例如，改进的去噪扩散概率模型 (IDDPM) 论文表明，余弦调度在图像生成方面优于线性调度，因为它减少了伪影并提高了样本清晰度。调度的选择还会影响训练效率：设计不佳的调度可能需要更多步骤才能达到相同的质量，从而增加计算成本。
噪声调度的实际影响扩展到采样速度和质量的权衡。例如，针对更少的采样步骤（如 DDIM 中使用的）优化的调度可以快速生成合理输出，但与较慢、更慎重的调度相比，可能会牺牲精细的细节。开发人员经常尝试混合方法，例如为训练与推理结合使用不同的调度，以平衡质量和速度。例如，使用微调的调度（例如，S 形）进行训练可确保模型学习强大的去噪，而推理可能会使用截断或调整后的版本来提高效率。最终，噪声调度充当一个超参数，需要根据数据集、模型架构和所需的输出特性进行调整，这使其成为优化基于扩散的系统中样本质量的关键杠杆。