Destruye una imagen con ruido y luego aprende a revertir el proceso. Los modelos de difusión se entrenan añadiendo ruido gradualmente a los datos y aprendiendo a eliminarlo paso a paso. Una vez entrenados, pueden partir de ruido puro y generar nuevas muestras que se asemejen a la distribución de entrenamiento.

Este enfoque impulsa muchos de los generadores de imágenes actuales. La calidad es alta y el objetivo de entrenamiento es estable en comparación con las redes generativas antagónicas, que pueden sufrir colapso modal y dinámicas inestables.

Etapas clave

• Proceso directo, añadiendo ruido a lo largo de muchos pasos.
• Proceso inverso, aprendizaje para eliminar el ruido.
• Muestreo, generación a partir de ruido aleatorio
• Acondicionamiento, guiando la salida con texto u otra entrada.

El inconveniente es la velocidad. Generar una sola imagen puede requerir docenas o cientos de pasadas de red. La destilación y los muestreadores más rápidos reducen el número de pasos, pero la difusión sigue siendo más exigente en términos computacionales que algunas alternativas.