Hancurkan gambar dengan noise, lalu pelajari cara membalikkan prosesnya. Model difusi dilatih dengan secara bertahap menambahkan noise ke data, lalu belajar untuk menghilangkan noise selangkah demi selangkah. Setelah dilatih, model ini dapat mulai dari noise murni dan menghasilkan sampel baru yang menyerupai distribusi pelatihan.

Pendekatan ini mendukung banyak generator gambar saat ini. Kualitasnya tinggi, dan tujuan pelatihannya stabil dibandingkan dengan jaringan adversarial generatif, yang dapat mengalami mode collapse dan dinamika yang tidak stabil.

Tahapan utama

• Proses maju, menambahkan noise melalui banyak langkah.
• Proses terbalik, belajar untuk menghilangkan kebisingan
• Pengambilan sampel, menghasilkan dari derau acak
• Pengkondisian, membimbing keluaran dengan teks atau masukan lainnya.

Biayanya adalah kecepatan. Menghasilkan satu gambar mungkin memerlukan puluhan atau ratusan proses jaringan. Distilasi dan sampler yang lebih cepat mengurangi jumlah langkah, tetapi difusi tetap lebih intensif secara komputasi daripada beberapa alternatif lainnya.