Vernietig een afbeelding met ruis en leer vervolgens het proces om te keren. Diffusiemodellen worden getraind door geleidelijk ruis aan data toe te voegen en vervolgens stap voor stap te leren hoe ze de ruis kunnen verwijderen. Eenmaal getraind, kunnen ze beginnen met pure ruis en nieuwe voorbeelden genereren die lijken op de trainingsdistributie.

Deze aanpak vormt de basis van veel moderne beeldgeneratoren. De kwaliteit is hoog en het trainingsdoel is stabiel in vergelijking met generatieve adversariële netwerken, die last kunnen hebben van mode collapse en instabiele dynamiek.

Belangrijke fasen

• Voorwaarts proces, waarbij ruis over vele stappen wordt toegevoegd
• Het omgekeerde proces: leren ruis te verwijderen.
• Sampling, genereren uit willekeurige ruis
• Conditionering, het sturen van de uitvoer met tekst of andere invoer.

De prijs is snelheid. Het genereren van één enkele afbeelding kan tientallen of honderden netwerkpassages vereisen. Distillatie en snellere samplers verminderen het aantal stappen, maar diffusie blijft rekenintensiever dan sommige alternatieven.