扩散模型（Diffusion Model） 是近年来生成建模领域的前沿方法，其核心思想是通过逐步向数据添加噪声并学习逆过程，从而实现高质量数据生成。

核心创新在于通过 前向扩散（Forward Diffusion） 将复杂数据分布逐步扰动为高斯噪声，再通过 反向扩散（Reverse Diffusion） 学习去噪过程，最终生成高保真数据。相比GAN，扩散模型在训练稳定性和生成质量上表现突出，已广泛应用于图像、语音、文本等多模态任务。

• 论文链接: https://arxiv.org/abs/2006.11239

• 发表单位: UC Berkeley & OpenAI

• 源码地址: https://github.com/hojonathanho/diffusion

资源合集

1、Diffusion Models从入门到放弃：必读的10篇经典论文

简要罗列了十篇经典的扩散模型相关论文，比较适合初学者快速掌握模型的衍生之路
Diffusion Models从入门到放弃：必读的10篇经典论文 - 知乎https://zhuanlan.zhihu.com/p/595866176

2、详解Diffusion扩散模型：理论、架构与实现

从原理推导入手，并附带代码讲解

详解Diffusion扩散模型：理论、架构与实现 - techlead_krischang - 博客园https://www.cnblogs.com/xfuture/p/18429089

3、​​​​​​​超详细的扩散模型（Diffusion Models）原理+代码

较为详细介绍了模型的实现原理，结合代码讲解模型的实现过程

超详细的扩散模型（Diffusion Models）原理+代码 - 知乎https://zhuanlan.zhihu.com/p/624221952