扩散模型中线性与余弦 beta 调度之间的选择会影响训练和采样过程中噪声的添加方式，从而影响模型性能和输出质量。Beta 调度决定了噪声在扩散过程的时间步长内引入的速率。线性调度均匀地增加噪声，而余弦调度则根据余弦函数调整噪声增量，从而导致过程开始和结束时的变化较慢。
线性 beta 调度以恒定速率在所有时间步长上应用噪声。 例如，如果 beta 值在 1,000 步内从 0.0001 到 0.02 不等，则每个步骤都会添加固定量的噪声。 这种简单性使其易于实施和解释。 但是，这种统一的方法可能会导致扩散后期阶段的突然变化，因为高噪声水平可能会淹没数据中的细微细节。 在图像生成中，这可能会导致输出模糊或产生伪影，因为当噪声增加过快时，模型难以优化细粒度特征。 由于其简单的设计，线性调度通常用于扩散模型（例如，DDPM）的基线实现中，但是可能需要更多的时间步长才能获得高质量的结果。
相比之下，余弦 beta 调度减慢了过程开始和结束时噪声增加的速率，同时加快了过程中的噪声增加速率。 例如，该调度可能会使用余弦函数将时间步长映射到 beta 值，从而确保早期（保留初始结构）和后期（允许在去噪期间进行更精细的调整）的较小变化。 这种方法与人类的感知更吻合，因为它优先考虑最后一步的逐步优化。 例如，在改进的 DDPM 论文中，研究人员发现，与线性调度相比，余弦调度可以生成更清晰、伪影更少的图像。 较慢的开始使模型有时间学习粗略特征，而较慢的结束有助于在采样过程中保留细节。 但是，余弦调度可能需要仔细调整超参数（例如，偏移参数），以避免某些数据集中过度平滑或不稳定。
从实际角度来看，开发人员应考虑简单性和性能之间的权衡。 线性调度更容易调试且训练速度更快，但在复杂的任务上可能表现不佳。 余弦调度通常会产生更好的结果，但需要更多的计算资源和参数调整。 例如，在文本到图像模型中，余弦调度是高分辨率输出的首选，而线性调度可能足以用于低分辨率原型设计。 最终的选择取决于用例：如果质量至关重要，则余弦值得付出努力；如果速度或简单性更重要，则线性是一个可行的起点。