核心思想
扩散模型的训练过程包含两个相反的方向：
前向过程（加噪）：逐步给一张清晰的图片加入随机噪声，经过 T 步之后，图片变成纯粹的随机噪声。
反向过程（去噪）：训练一个神经网络，让它学会从噪声中一点点还原出图片。具体来说，是预测当前这一步加入的噪声是什么，然后减掉它。
生成过程
生成一张新图时：
- 从一张完全随机的噪声图开始；
- 反复调用训练好的去噪网络，逐步减少噪声；
- 经过若干步后，得到一张清晰的图片。
关键在于：这个过程是受条件引导的。如果你提供一个文本描述，模型会在去噪的每一步参考这个描述，让最终结果符合你的要求。
为什么效果好
在扩散模型之前，主流生成模型是 GAN（生成对抗网络）。GAN 由一个生成器和一个判别器对抗训练，效果不错但存在明显短板：
- 训练不稳定：生成器和判别器的平衡难以维持；
- 模式崩塌：生成器可能只学会生成少数几种样本，缺乏多样性。
扩散模型的训练目标更简单直接（就是"预测噪声"），训练过程稳定得多，生成样本的多样性也更好。
代价是生成速度慢——因为它需要迭代几十步甚至上百步去噪，而不像 GAN 那样一次前向传播就出图。
加速方法
- 更好的采样器：改进数值求解方法，用更少的步数达到相近的质量；
- 潜在空间扩散（Latent Diffusion）：不在像素空间操作，而是先把图片压缩到一个低维的"潜在空间"，在那里做扩散。计算量大幅下降——这是 Stable Diffusion 一类模型能跑在消费级显卡上的关键；
- 蒸馏：把多步采样过程"蒸馏"成更少步数；
- 一致性模型（Consistency Models）：追求一步或少数几步生成。
条件控制
除了文本描述，还可以加入更精细的控制：
- ControlNet：用边缘图、深度图、姿态骨骼图等作为额外条件，精确控制构图；
- 图像修复（Inpainting）：只重绘图片的指定区域；
- 图生图：基于一张已有图片做变化。
一个仍在讨论的问题
训练数据中的版权与授权问题。模型从大量网络图片中学习，其中包含了受版权保护的作品和艺术家的风格。
这涉及复杂的法律与伦理争议：风格能否被"学习"？生成的内容是否构成侵权？训练数据是否应该获得授权？
目前各国正在通过立法和司法实践逐步厘清这些边界。
说明：本文为生成式 AI 技术的公开知识整理。