Les modèles de diffusion ont résolu ce que les GAN ne pouvaient pas résoudre : une formation stable, une grande diversité et une contrôlabilité fine. L’idée de base est élégante : apprendre à inverser un processus d’ajout de bruit. Ajoutez du bruit gaussien à une image 1 000 fois jusqu'à ce qu'il ne reste plus rien de reconnaissable, puis entraînez un réseau neuronal pour annuler une étape de bruit à la fois. Lors de l'inférence, partez du bruit pur et laissez le réseau se frayer un chemin vers une image cohérente.