Zničte obraz šumem a poté se naučte proces obrátit. Difuzní modely se trénují postupným přidáváním šumu k datům a následným učením se krok za krokem odšumovat. Po natrénování mohou začít s čistým šumem a generovat nové vzorky, které vypadají jako trénovací rozdělení.

Tento přístup je základem mnoha dnešních generátorů obrázků. Kvalita je vysoká a trénovací cíl je stabilní ve srovnání s generativními adverzárními sítěmi, které mohou trpět kolapsem módů a nestabilní dynamikou.

Klíčové fáze

• Proces vpřed, přidávání šumu v mnoha krocích
• Opačný proces, učení se odšumování
• Vzorkování, generování z náhodného šumu
• Podmiňování, vedení výstupu textem nebo jiným vstupem

Cenou je rychlost. Generování jednoho obrazu může vyžadovat desítky nebo stovky průchodů sítí. Destilace a rychlejší vzorkovače snižují počet kroků, ale difúze zůstává výpočetně náročnější než některé alternativy.