扩散模型（Diffusion Model）

一句话理解

AI 画图的原理——先把一张图逐步加上噪点毁成雪花，学会“去噪”之后，再反过来从雪花里一步步“还原”出一张新图。

定义

扩散模型（Diffusion Model）是目前主流的图像生成技术：训练时给图片逐步加随机噪点直到完全变成雪花，让模型学会每一步的去噪；生成时从一团纯噪声出发，按文字描述一步步去噪，最终浮现出一张全新的图。Stable Diffusion、Midjourney、DALL·E 背后都是它。

你会在哪遇到它

用 AI 绘画工具时，背后干活的就是它；生图产品里的“步数”参数，指的就是去噪步数；文生视频（Sora 一类）同样大量使用扩散原理。顺带一提，医学里把模糊影像变清晰，用的也是同一套数学思想。

背后的原理

分“毁”和“造”两半。毁：给训练图加上几十步噪点，直到面目全非。造：让模型练习“从轻度噪声里还原一步”，反复练到精通。生成时从纯噪声开始，在文字描述的引导下逐步去噪，几十步后一张新图诞生。文字怎么引导？文字和图像被编码进同一个语义空间，去噪的方向始终朝着“与描述相符”的那边走。

和相近概念的区别

1 与 GAN：上一代图像生成主流，训练不稳定、花样少，图像领域已基本让位给扩散模型。 2 与 Transformer：一个主攻图像、一个主攻文字；很多文生图产品用 Transformer 编码文字、用扩散模型出图，它们是搭档不是对手。 3 与文生图：文生图是任务，扩散模型是目前完成这个任务的主流技术。

常见误区

1 以为 AI 是拼贴训练图——不是，它学的是图像规律，产出是全新图像。 2 步数越高画质必然越好——大体如此但收益递减，很多产品干脆固定步数不让你调。 3 扩散模型只管画图——音频、视频、3D 生成也都在用它。