किसी छवि को शोर से नष्ट करें, फिर इस प्रक्रिया को उलटना सीखें। डिफ्यूजन मॉडल डेटा में धीरे-धीरे शोर जोड़कर और फिर चरण दर चरण शोर को कम करना सीखकर प्रशिक्षित होते हैं। एक बार प्रशिक्षित हो जाने पर, वे शुद्ध शोर से शुरू कर सकते हैं और नए नमूने उत्पन्न कर सकते हैं जो प्रशिक्षण वितरण के समान दिखते हैं।

यह दृष्टिकोण आज के कई इमेज जनरेटरों को शक्ति प्रदान करता है। गुणवत्ता उच्च है, और जनरेटिव एडवरसैरियल नेटवर्क की तुलना में प्रशिक्षण उद्देश्य स्थिर है, जिनमें मोड कोलैप्स और अस्थिर गतिशीलता जैसी समस्याएं हो सकती हैं।

मुख्य चरण

• आगे बढ़ने की प्रक्रिया, कई चरणों में शोर जोड़ना
• रिवर्स प्रक्रिया, शोर कम करना सीखना
• यादृच्छिक शोर से नमूनाकरण और उत्पादन
• टेक्स्ट या अन्य इनपुट के साथ आउटपुट को कंडीशनिंग और निर्देशित करना

इसकी कीमत गति है। एक छवि बनाने के लिए दर्जनों या सैकड़ों नेटवर्क पास की आवश्यकता हो सकती है। डिस्टिलेशन और तेज़ सैम्पलर चरणों की संख्या कम करते हैं, लेकिन डिफ्यूजन कुछ अन्य विकल्पों की तुलना में अधिक कंप्यूटिंग ऊर्जा की खपत करता है।