Os modelos de difusão, formulados por Sohl-Dickstein et al. (2015) e tornados práticos para a síntese de imagens de alta qualidade por Ho et al. (2020), funcionam em duas fases: um processo direto que adiciona ruído progressivamente aos dados e um processo reverso aprendido que remove o ruído de um ruído aleatório até chegar a uma amostra coerente.
Eles são a base dos principais sistemas atuais de texto para imagem e são cada vez mais usados para gerar áudio e vídeo.