什么是扩散模型（Diffusion Models）

什么是扩散模型（Diffusion Models）

扩散模型（Diffusion Models，DM）是一种生成模型，通过模拟随机扩散过程来生成数据。其核心思想是将噪声从一些简单的分布转换为一个数据样本。具体来说，扩散模型（Diffusion Models）包括两个主要过程：前向扩散过程和反向扩散过程。

在前向扩散过程中，模型逐步向数据中添加噪声，最终将其转化为纯高斯噪声。例如，在图像生成的场景中，原始图像会被逐渐加入高斯噪声，直到完全变成噪声图像。

在反向扩散过程中，模型则尝试从噪声中恢复出原始数据。这一过程需要神经网络学习如何逐步去除噪声，最终生成高质量的数据样本。这个过程通常涉及到一个去噪扩散概率模型（Denoising Diffusion Probabilistic Models, DDPM），该模型通过逆向模拟扩散过程，从噪声中逐步恢复出原始数据。

扩散模型（Diffusion Models）的优势在于其出色的性能和训练稳定性，使其在深度生成模型中逐渐崭露头角，并成为新的SOTA（State of the Art）