调试一个老项目，遇到个头疼问题：用户上传的手绘草图，需要自动转成写实风格的产品图。试了传统GAN，效果要么太“塑料感”，要么细节全糊。同事扔来一句：“试试扩散模型呗，现在不都流行这个？” 翻了几篇论文，发现SDEdit和Paint by Example这两个路子挺有意思，今天把调试笔记整理一下。一、问题场景：为什么不用GAN了？传统图像到图像翻译（pix2pix、CycleGAN）依赖成对或非成对数据训练，一旦遇到训练集没见过的风格，泛化能力就崩了。更麻烦的是，GAN容易模式崩溃，生成结果缺乏多样性——同一个草图跑十次，出来的图几乎一模一样，用户直接投诉“太死板”。扩散模型的好处是：它本质上是个去噪过程，对输入图像的“包容性”更强。哪怕你给一张潦草涂鸦，它也能顺着噪声迭代的路径，慢慢“脑补”出合理细节。这里踩过坑：早期以为扩散模型必须从头生成，其实可以拿输入图当“噪声起点”，引导生成过程。二、SDEdit：把输入图当“高级噪声”SDEdit的核心思想很工程师思维：任何输入图像都可以看作是某个理想输出加了一堆噪声的版本。那我们干脆对输入图加更多噪声，再让扩散模型去噪，不就自然过渡到目标域了？# 伪代码示意：关键步骤defsdedit_translate