Diffusion（擴散）模型的原理可以分為兩個主要過程：前向過程和逆向過程。
前向過程：
這是一個逐步加噪的過程，每一步都加入隨機的高斯噪聲。
假設加噪過程符合馬爾科夫過程，即當前圖像只依賴於前一個時刻的圖像和新加的噪聲。
每一次加噪聲都可以用數學公式表示，最終可以推導出用初始圖像表示的公式。
逆向過程：
逆向過程是對正向過程中生成的噪聲圖像進行減噪，以生成不帶噪聲的清晰圖像。
逆向過程也是一個馬爾科夫過程，且減去的噪聲是特定的，符合一定條件的噪聲，而不是隨機的。
逆向過程的噪聲分布與前向過程的分布有關，可以通過網路訓練來估計這個機率分布。
工作原理總結：
Diffusion模型首先通過前向過程逐步對圖像施加噪點，直至圖像被破壞變成完全的噪點。
然後通過逆向過程學習從全噪點還原為原始圖像的過程。
AI模型通過觀察全是噪點的畫面如何一點點變清晰直到變成一幅畫，通過這個逆向過程來學習如何作畫。
通過這種方式，Diffusion模型能夠在生成新的數據樣本（如圖像）時，學習到數據分布的複雜性和多樣性。