先用噪声破坏图像，然后学习如何逆向处理。扩散模型通过逐步向数据中添加噪声进行训练，然后逐步学习如何去噪。训练完成后，它们可以从纯噪声开始，生成类似于训练分布的新样本。

这种方法被广泛应用于当今的许多图像生成器。与生成对抗网络相比，它的图像质量高，训练目标也更稳定，而生成对抗网络可能会出现模式崩溃和动态不稳定等问题。

关键阶段

• 正向过程，在多个步骤中添加噪声
• 逆向过程，学习去噪
• 采样，从随机噪声中生成
• 条件反射，用文本或其他输入引导输出

代价是速度。生成一张图像可能需要数十次甚至数百次网络迭代。虽然蒸馏和更快的采样器可以减少迭代次数，但扩散算法的计算量仍然比其他一些方法更大。