Diffusion模型是一種深度生成模型，主要用於生成高質量且逼真的數據，如圖像和音頻。這種模型的工作流程可以分為正向過程和逆向過程。
正向過程
正向過程中，模型逐漸將真實數據（例如一張圖片）添加噪聲，直至完全轉化為噪聲。這個過程中，數據從有結構的狀態逐步過渡到無結構的狀態。數學上，這個過程可以表示為馬爾科夫鏈，每個時間步只與前一個時間步有關，通過T次累計對其添加高斯噪聲。
逆向過程
逆向過程中，模型從純噪聲狀態開始，逐步去除噪聲，恢復成有結構的數據（如生成一張圖片）。這個過程是通過訓練神經網路來實現的，網路學習如何在每一步中去除噪聲，並逐漸恢復出原始數據的特徵。
關鍵特點：
高質量生成：能生成非常高質量和逼真的圖像。
靈活性和多樣性：可以生成多樣化的輸出，對創造性任務特別有價值。
控制性：雖然生成過程是隨機的，但通過調節條件和參數，可以在一定程度上控制生成內容。
Diffusion模型在最近幾年內取得了顯著的發展，特別是在圖像和視頻生成方面。與GAN(生成對抗網路)等其他生成模型相比，Diffusion模型在某些任務中表現出了更好的性能，尤其是在圖像的真實感和細節方面。然而，它們通常需要較高的計算資源和更長的生成時間。