Diffusion Models – modele generujące obrazy poprzez usuwanie szumu.

Modele te generują obrazy poprzez stopniowe usuwanie szumu z początkowo całkowicie zaszumionych danych, co pozwala na rekonstrukcję realistycznych wizualizacji. Proces ten jest realizowany przez sieć neuronową, która uczy się odwrotności procesu dyfuzji – losowego dodawania szumu do danych podczas trenowania. Model najpierw przeprowadza wieloetapowe usuwanie szumu, co prowadzi do uzyskania ostatecznego obrazu o wysokiej jakości.

Podstawą działania tych modeli jest rozkład probabilistyczny, w którym generowanie nowych próbek odbywa się poprzez iteracyjne modelowanie rozkładu odwrotnego do procesu degradacji oryginalnych danych. W trakcie treningu model uczy się reprezentować złożone rozkłady danych wizualnych, co pozwala na tworzenie różnorodnych i realistycznych obrazów. Technologia ta znalazła zastosowanie w dziedzinach takich jak sztuka generatywna, rekonstrukcja obrazów, a także w przetwarzaniu i syntezie danych wizualnych.