TL;DR

扩散模型生成图像并非简单的“平滑去噪”，而是一场精密策划的物理演习。本文提出，训练好的扩散模型在反向生成时会经历一个**非平衡态相变（Out-of-Equilibrium Phase Transition）**阶段。在这个临界窗口内，微小的空间波动被迅速放大，最终形成了支撑整张图像的大尺度结构。

背景定位：从“去噪”到“模式形成”

长期以来，我们习惯于将扩散模型理解为对概率密度梯度的近似（Score Matching）。然而，这种解释忽略了生成的**动力学（Dynamics）**特性。本文作者 Luca Ambrogioni 认为，生成过程实际上是自发对称性破缺的过程——系统从无序的噪声态，通过临界点，选择了特定的空间频率并播种（Seed）出模式。

痛点深挖：为什么不只是记忆？

传统的观点认为，模型只是在复现训练集的均值或众数。但为什么模型能生成从未见过的组合？ 作者指出，关键在于架构约束（Architectural Constraints）。

• 局部性 (Locality)：受限于感受野，模型无法简单地记住全局向量。
• 平移等变性 (Translation Equivariance)：卷积层迫使模型学习局部的交互逻辑。 这些约束将单纯的“记忆不稳定性”转化成了集体空间模式（Collective Spatial Modes）。就像磁铁在临界温度下自发产生磁化方向，扩散模型在特定的噪声水平下，也会让特定的傅里叶模式（Fourier Modes）“变软”，从而让结构化信息从噪声中“结晶”出来。

核心机制：Ginzburg–Landau 理论与软模式

作者利用**图斑分值模型（Patch Score Model）**进行了严格推导。他证明了在局部性限制下，反向扩散的有效能量函数可以映射到物理学中经典的 Ginzburg–Landau 理论：

图 1：反向轨迹中的空间相关长度 ${\xi }_x$（左）和傅里叶模式软化（右）。可以看到在临界时间附近，相关长度急剧增长。

当系统处于高噪声水平时，所有坐标都是退化的；随着反向过程进行，某些特定的空间频率（低频模式）的特征值开始接近零——这被称为模式软化（Mode Softening）。此时，系统对外部扰动（如 Guidance）变得极其敏感，这是捕捉结构的关键期。

实验战绩：精准打击的 Guidance

为了验证理论的可行性，作者在真实的 EDM2 (ImageNet) 模型上进行了“脉冲引导演习”：

1. 找出临界点：通过分析漂移项的 Jacobian 矩阵，自动定位相关长度最大的时刻。
2. 精准干预：只在临界窗口内施加 Classifier-free Guidance 脉冲。

图 2：相比于随机时间的脉冲，在临界时间施加引导（Critical Pulse）能显著提升 DINOv2 分数，生成更符合逻辑的对象。

关键结论：在临界窗口（Critical Window）施加引导的效果，远好于在错误的时间盲目增加引导强度。这说明模型在这一阶段具有最高的杠杆率。

深度洞察：这对未来的 AI 意味着什么？

1. 高效采样新思路：如果我们能实时监控相变的发生，我们就可以动态分配计算资源。在非临界区采样步长可以更大，而在临界区则需要更精细的步长和更强的引导。
2. 理解泛化（Generalization）：相变理论解释了为什么卷积神经网络能够通过局部交互产生全局相干性，这为理解生成模型的“创造力”提供了物理基础。
3. 局限性：目前的理论在处理注意力机制（Attention）时的“全局耦合”还比较初级。虽然附录中尝试将其解释为 Hopfield 网络式的交互，但更深层的非局域场论仍待开发。

总结

这篇论文将扩散模型的研究从“炼丹”推向了“统计力学”。它告诉我们，生成图像不只是在消除噪声，而是在物理规律的驱动下，让秩序从混沌中生根发芽。