Diffusionsmodelle, theoretisch begründet von Sohl-Dickstein et al. (2015) und von Ho et al. (2020) für hochwertige Bildsynthese praxistauglich gemacht, arbeiten in zwei Phasen: einem Vorwärtsprozess, der den Daten schrittweise Rauschen hinzufügt, und einem gelernten Rückwärtsprozess, der zufälliges Rauschen wieder zu einem stimmigen Ergebnis entrauscht.
Sie bilden die Grundlage der heute führenden Text-zu-Bild-Systeme und werden zunehmend auch für die Audio- und Videogenerierung eingesetzt.