擴散模型是一種生成模型，其工作原理基於物理中的擴散過程。
該模型將生成新數據的過程分為兩個主要階段：前向擴散過程和反向擴散過程。在前向擴散過程中，模型逐步在原始數據中添加高斯噪聲，直到數據變成純高斯噪聲。這個過程體現了從結構化的數據到完全無序的狀態的過渡。在反向擴散過程中，模型從純高斯噪聲開始，逐步去除噪聲，逐漸恢復數據的原始狀態。這兩個過程共同構成了擴散模型的核心。
在訓練階段，擴散模型學習反向擴散過程，即從噪聲中恢復數據。這通常通過訓練神經網路來完成，使網路學會如何有效地去除噪聲，以生成與訓練數據相似的樣本。訓練完成後，模型能夠接受一個高斯噪聲輸入，並通過學習到的去噪過程生成新的數據樣本。
擴散模型已被廣泛套用於圖像生成、文本生成等領域，如CLIP、DALL-E和Imagen等模型都採用了擴散模型的技術。