如果尝试用stable diffusion生成特别暗或特别亮的图像，它几乎总是生成平均值相对接近 0.5 的图像。如下图所示，生成暗的图片总是带着明亮的区域（暗的街道明亮的光），生成亮的图片总是带着暗的区域（白的雪暗的树）。

Offset Noise正是为了解决这个问题的一个trick。

stable diffusion使用的初始噪声是服从$N(0,I)$的，如下：

noise = torch.randn_like(latents)

Offset Noise将初始噪声改为

noise = torch.randn_like(latents) + 0.1 * torch.randn(latents.shape[0], latents.shape[1], 1, 1)

因为虽然前向过程在不停的往图片加噪声，但实际上，因为实现的问题，前向过程最后并没有得到真的符合$N(0,I)$分布的噪声。而反向过程是从$N(0,I)$中采样初始噪声的，这导致了前向过程和反向过程之间的差异。

参考

https://www.crosslabs.org/blog/diffusion-with-offset-noise
Common Diffusion Noise Schedules and Sample Steps are Flawed