先用雜訊破壞影像，然後學習如何逆向處理。擴散模型透過逐步在資料中加入雜訊進行訓練，然後逐步學習如何去噪。訓練完成後，它們可以從純雜訊開始，產生類似訓練分佈的新樣本。

這種方法被廣泛應用於當今的許多圖像生成器。與生成對抗網路相比，它的影像品質高，訓練目標也更穩定，而生成對抗網路可能會出現模式崩潰和動態不穩定等問題。

關鍵階段

• 正向過程，在多個步驟中加入噪聲
• 逆向過程，學習去噪
• 採樣，從隨機噪音中生成
• 條件反射，以文字或其他輸入引導輸出

代價是速度。生成一張圖像可能需要數十次甚至數百次網路迭代。雖然蒸餾和更快的採樣器可以減少迭代次數，但擴散演算法的計算量仍然比其他一些方法更大。