Les modèles de diffusion, formalisés par Sohl-Dickstein et al. (2015) et rendus opérationnels pour la synthèse d’images de haute qualité par Ho et al. (2020), fonctionnent en deux phases : un processus direct qui ajoute progressivement du bruit aux données, et un processus inverse appris qui débruite un bruit aléatoire jusqu’à obtenir un échantillon cohérent.
Ils sont à la base des principaux systèmes texte-image actuels et sont de plus en plus utilisés pour générer de l’audio et de la vidéo.