Diffusion Model：从噪声中“生长”出图像的AI魔法
Diffusion Model（扩散模型）是一种通过逐步去除噪声来生成数据的深度学习模型。它通过一个“前向扩散”过程将数据（如图像）逐渐破坏成纯噪声，再通过一个“反向去噪”过程从噪声中重建出全新的数据。这种“破坏-重建”的范式使其在图像、音频、视频生成领域取得了突破性成功，是Stable Diffusion、DALL·E 2等热门AI绘画工具的核心技术。
一句话解释
Diffusion Model（扩散模型）是一种生成式AI模型，它通过模仿“从噪声中逐步恢复清晰图像”的过程，来创造出全新的、高质量的图片、音频甚至视频。
为什么会被关注
自2022年以来，以Stable Diffusion、Midjourney、DALL·E 2为代表的AI绘画工具席卷全球，其背后共同的核心技术正是扩散模型。它生成的图像质量高、细节丰富、可控性强，极大地降低了高质量视觉内容的创作门槛，引发了从艺术创作到商业设计的广泛变革，因此成为AI领域最受瞩目的技术之一。
核心逻辑
扩散模型的核心是一个“先破坏，再学习重建”的两阶段过程。第一阶段是“前向扩散”：将一张真实图片逐步添加高斯噪声，经过数百步后，图片会变成一张完全随机的噪声图。
第二阶段是“反向去噪”：模型的核心任务是学习如何从一张纯噪声图中，一步步地预测并去除噪声，最终还原成一张清晰的、符合要求的图片。通过在海量数据上训练，模型学会了“去噪”的规律，从而具备了从无到有的创造能力。
常见场景
AI绘画与图像生成：用户输入文字描述（提示词），模型生成对应图像，这是最主流的应用。
图像编辑与修复：包括图像补全（如修复老照片）、图像超分辨率（提升清晰度）、风格迁移（将照片转为特定画风）等。
跨模态生成：除了文生图，还包括图生文、音频生成、3D模型生成，以及在生物医药领域用于生成分子结构等前沿探索。
容易混淆的点
与GAN（生成对抗网络）的区别：两者都是生成模型。GAN通过生成器和判别器“对抗”训练，而扩散模型是“自回归”地逐步去噪。扩散模型通常训练更稳定，生成样本多样性更好，但生成速度相对较慢。
“扩散”的含义：这里的“扩散”并非指信息传播，而是借用了物理学中“粒子从高浓度向低浓度扩散”的概念，类比图像信息在添加噪声过程中逐渐“消散”成随机状态的过程。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词法院AI应用是指人工智能技术在司法领域的落地实践，包括智能辅助办案、类案自动推送、裁判文书生成、庭审语音识别等，旨在提升审判效率与公平性，减轻法官事务性负担。
法院AI部署是指将语音识别、文书生成、类案推送等人工智能技术集成到法院办案流程中，旨在提升审判效率、降低人为差错，并推动司法透明化。近年来，各地智慧法院试点加速，AI从辅助工具逐渐嵌入核心业务环节。
法院AI训练指利用裁判文书、法律法规等数据，训练机器学习模型以辅助司法工作，如案件分类、证据分析、量刑建议等。它并非替代法官，而是通过技术手段提升效率与一致性，正成为智慧法院建设的核心环节。
法院AI仿真利用人工智能技术对法庭场景、审判程序、辩论逻辑进行数字化模拟，用于法律教学、案件预演、证据推演等场景，帮助法官、律师和法学院学生更直观地理解司法过程。
法院AI建模是指运用人工智能技术，尤其是大语言模型和机器学习算法，对案件的事实要素、法律条文和历史判例进行结构化建模，辅助法官完成证据审查、量刑参考和文书生成的技术方案。