扩散模型中的噪声调度定义了在前向过程中如何逐步向数据添加噪声，以及在反向（生成）过程中如何去除噪声。它决定了在每个时间步应用噪声的量以及噪声随时间增加或减少的速度。该调度直接影响模型学习数据分布和生成高质量输出的能力。如果没有精心设计的噪声调度，模型可能难以平衡训练过程中数据的逐步破坏与采样过程中所需的精确去噪。
一个常见的例子是线性噪声调度，它在所有时间步以恒定速率应用噪声。例如，如果模型使用 1,000 个时间步，噪声水平可能会在这些步骤中从 0% 线性增加到 100%。然而，这种方法可能不适用于所有任务。在实践中，许多扩散模型使用非线性调度，例如余弦或 sigmoid 曲线，其中在早期步骤中更剧烈地添加噪声，并在后期逐渐减少。例如，余弦调度开始时噪声添加较慢，允许模型首先学习粗糙结构，然后加速以捕获更精细的细节。调度的选择会影响模型如何分配其能力：调整不当的调度可能导致模型过于关注低噪声步骤（例如，接近前向过程结束时），而无法有效处理高噪声区域。
开发者必须根据其具体用例实验不同的噪声调度。对于图像生成，一种在早期保留部分结构信息（例如，初始步骤噪声较低）的调度可以帮助模型学习有意义的特征。相比之下，文本转音频模型可能优先选择不同的调度来处理时间依赖性。调整诸如总时间步数、最大噪声水平 (beta_max) 或调度塑形函数（例如，二次 vs. 指数）等参数，可以显著影响训练稳定性和输出质量。例如，将时间步数从 1,000 减少到 500 可能会加快训练速度，但需要更仔细地调整调度以避免伪影。诸如 DDPM（去噪扩散概率模型）或 DDIM（去噪扩散隐式模型）等工具通常提供默认调度，但为了适应数据复杂性和计算限制，进行自定义是很常见的。