人工智能100问☞第37问：什么是扩散模型？

目录

​​一、通俗解释

二、专业解析​​

三、权威参考

扩散模型是一种​​通过系统性地添加再去除噪声来生成新数据（如图像）的生成式AI技术​​，其核心机制分为两个阶段：正向扩散​​：对原始数据（如清晰图片）逐步添加噪声，直至完全变成随机噪点（类似老照片逐渐模糊的过程）；逆向生成​​：从噪声出发，通过训练好的神经网络逐步预测并移除噪声，最终还原或创造出高质量的结构化数据（如将模糊影像修复为清晰图像）。

​​一、通俗解释

想象你要画一幅名画《蒙娜丽莎》，但不会直接下笔。扩散模型的做法是：

破坏阶段​​：把原画反复复印到模糊（像墨水滴入水中扩散），直到变成纯噪点（类似电视雪花屏）

学习阶段​​：用AI记录每一步“变模糊”的规律，就像记住“眉毛模糊后变成灰色斑块”

生成阶段​​：从纯噪点出发，按记录的规律反向操作（如把灰色斑块还原为眉毛），最终生成全新但逼真的画作

​​本质​​：AI通过“破坏-重建”的反复练习，学会从混沌中创造秩序，类似人类通过修复老照片掌握绘画技巧。

二、专业解析​​

扩散模型（Diffusion Model）是一类​​基于马尔可夫链的深度生成模型​​，通过模拟非平衡热力学扩散过程实现数据合成。其核心技术框架如下：

1、双阶段概率建模