扩散模型（Diffusion Models）
定义与原理：
扩散模型是一种基于概率论的生成模型，源自物理学中的扩散过程理论（如墨水在水中的扩散）。
在机器学习领域，扩散模型通过模拟数据从原始分布到噪声分布的"扩散"过程，并学习其逆过程来从噪声中重构高质量的数据样本。
核心过程：
正向扩散：将清晰的数据（如图像）通过一系列步骤逐渐添加噪声，转化为类似高斯噪声的状态。这一过程旨在简化数据结构，便于存储与传输，并在模型训练中起到基石作用。
反向扩散：从纯粹的噪声数据中逆向提炼、再生出清晰、有意义的图像或数据结构。这是通过一系列逆步骤逐步"去噪"，最终生成接近原始数据分布的样本。