噪声 / 去噪
噪声 / 去噪是什么？
在 AI 图像生成中，噪声是一张纯随机雪花的起始图像，去噪则是 AI 逐步将这片雪花变为流畅画面的过程。在后期制作中，去噪指从素材中去除非预期的颗粒或传感器噪声，使画面更干净。
一图看懂
- 别称
- 扩散过程分数匹配噪声调度（针对训练过程）
- 主要用途
- AI 图像与视频生成后期制作中的噪声去除放大与修复通过种子控制生成的随机性
- 常用工具
- Stable diffusionMidjourneySoraTopaz video AINeat videoDaVinci resolve
- 相关术语
- Diffusion modelLatent spaceCFG scaleStepsSeedSampling method
准备好开始创作了吗？
执导场景、设计角色、完成整部影片
一站式 AI 创作平台，定价简单透明，无速度节流，搭配无限 Canvas，让创作发挥到极致。
对比与差异
Compared with related concepts
噪声（AI 生成）vs 噪声（后期制作）：在 AI 生成中，噪声是有意为之且具生成性的：它是模型据以塑造成图像的结构化起点。在后期制作中，噪声是由相机传感器、胶片颗粒或压缩引入的非预期瑕疵，去噪工具会试图将其移除。两个领域使用相似的噪声数学模型，但意图相反。
可以这样理解…
设想一位雕塑家，从一块大理石（纯噪声）开始，逐步凿削以揭示其中隐藏的人像。每一次凿刻都是一个去噪步骤，而雕塑家的构想（文本提示词）则引导着哪些材料应去除、哪些应保留。最终的雕像并非从无到有堆砌而成，而是通过逐步去除不属于它的部分而浮现。
实用提示
在基于扩散的 AI 生成中，减少去噪步数能显著加快出图，但代价是一致性下降：可先以中等步数（许多采样器为 20–30 步）作为起点试验，仅在出现结构性不流畅时再增加步数。对于后期去噪，务必在任何锐化或细节增强之前先施加降噪，以免放大噪声模式。
类型与变体
在基于扩散的生成中，噪声计划各不相同：不同模型在训练与推理中使用不同的加噪与去噪速率，影响输出特性。高斯噪声（正态分布的随机值）是标准做法，但部分研究探索了结构化的噪声形式。在后期去噪中，方法包括时序去噪（跨时间比较各帧的噪声模式）、空间去噪（分析单帧内部的噪声）与基于 AI 的去噪（用训练好的网络区分噪声与真实细节）。每种方法适用于不同类型的噪声与素材，在噪声严重的素材上将它们组合使用可获得最佳效果。
准备好在 Morphic 里做第一个场景了吗？
试用 Morphic常见使用场景
噪声与去噪是两大创意 AI 用例的核心。其一，在 AI 生成中：每当向 Stable Diffusion、Midjourney、Sora 或类似工具提交提示词时，模型都会从一个噪声张量开始并迭代去噪以产出结果：调整去噪步数与引导强度是主要的创意控制项。其二，在后期制作中：AI 去噪被用于挽救欠曝或高 ISO 的素材、修复存档胶片扫描件、降低流媒体交付件中的压缩瑕疵，并让原本会被噪声掩盖的细节显现出来。
准备好开始创作了吗？
执导场景、设计角色、完成整部影片
一站式 AI 创作平台，定价简单透明，无速度节流，搭配无限 Canvas，让创作发挥到极致。
常见问题（FAQ）
采样方法（也称采样器或调度器）是用于在去噪过程中从噪声导航至图像的算法。不同采样器（如 DDIM、Euler、DPM++ 与 PLMS）在速度与质量之间作出不同的权衡。有些能用更少的步数产出相近的结果；有些则更适合特定类型的主题内容。
种子是用于在生成过程开始时初始化随机噪声的一个数值。使用相同的种子搭配相同的提示词与设置会重现相同的输出，这使得种子在迭代某个构图或风格、又不丢失想在其上继续发展的成果时不可或缺。
超过某一阈值（对大多数模型而言通常为 30–50 步）后，额外的步数收益递减，甚至可能引入过度平滑或构图的轻微偏移。一些现代采样器专门设计为在 8–12 步内达到高质量结果，使步数的重要性低于采样器的选择。
传统降噪使用数学滤波器对像素值进行模糊或平均，常在此过程中破坏精细细节。AI 去噪使用训练好的神经网络，它已学会区分真实纹理细节与噪声模式，从而能在去除颗粒的同时远更有效地保留锐度。
可以：在生成与后期制作中都行。在生成中，局部重绘（inpainting）允许去噪仅在被蒙版的区域内进行。在 DaVinci Resolve 与 Topaz Video AI 等后期工具中，空间蒙版可将去噪限定在特定区域（如阴影中的背景），同时在其他区域保留有意为之的颗粒或纹理。
CFG（无分类器引导）缩放控制文本提示词对去噪过程的引导强度。较高的 CFG 值使模型更严格地遵循提示词，产出与描述更贴合的结果，但有时以牺牲自然度为代价。较低的值给予模型更大自由，可产出更具美感但与提示词吻合度较低的结果。
