哈囉大家好，今天我要來說說的東西是「擴散模型（Diffusion Models）」，擴散模型是一種近年在生成式AI領域受到廣泛關注的新型模型，特別是在圖像生成領域有著顯著的成果。
擴散模型本身是一種基於概率的方法，用於逐步生成數據。在這種模型中，數據的生成過程被建模為一個反向的擴散過程（Reverse Diffusion Process），白話一點說，就是從一個完全隨機的噪聲開始，逐步「去噪」去得到一個真實的數據樣本。這種方法與傳統的生成對抗網絡（GAN）或變分自編碼器（VAE）有本質的區別。
擴散模型的核心思想源於物理學中的擴散過程，它會將真實數據逐步添加隨機噪聲，使其最終變成純噪聲，這個過程稱為「前向擴散過程（Forward Diffusion Process）」。而最終訓練的目標是學習這個過程的反向，即從純噪聲開始，逐步去除噪聲，以恢復出原始的數據。
再來是他生成的步驟，這種生成過程可以分為多個步驟，每個步驟都嘗試去除一部分噪聲，從而生成逼真的數據樣本。擴散模型相較於傳統的GAN具有更好的穩定性，因為它不涉及對抗性的訓練過程，不容易出現模式崩潰（Mode Collapse）等問題。
這是我今天的內容喔，感謝大家～