扩散模型由 Sohl-Dickstein 等人（2015）提出框架，并由 Ho 等人（2020）推向可用于高质量图像合成的实用阶段。它分两个阶段运作：前向过程逐步向数据添加噪声；学习得到的反向过程则将随机噪声逐步去噪，还原为连贯的样本。
它们是当今领先文生图系统的基础，也越来越多地用于音频和视频生成。
模型与产品LLM 架构
2026 年更新
扩散模型（Diffusion Model）
定义
一种通过逆转逐步加噪过程来学习生成数据的生成式模型——是大多数现代 AI 图像生成背后的技术。
参考文献
本定义所依据的一手文献、同行评审文献和存档资料。
Denoising Diffusion Probabilistic Models
Deep Unsupervised Learning using Nonequilibrium Thermodynamics
词典与百科条目
- Wikipedia — Diffusion model
- IBM — Think / Topics — What are diffusion models?
引用本条目
MultipleChat.《扩散模型（Diffusion Model）》. MultipleChat AI 与 LLM 术语表，2026. https://multiple.chat/ai-glossary/diffusion