Los modelos de difusión son modelos generativos que generan datos mediante un proceso gradual en el que primero se añade ruido y luego se elimina paso a paso.
El proceso de entrenamiento consiste en entrenar un modelo que aprende a realizar el proceso inverso de la difusión, es decir, eliminar el ruido para reconstruir una imagen original realista a partir de una imagen ruidosa.
Normalmente se utiliza un proceso de Markov que en varios pasos aumenta el ruido en los datos y el modelo aprende a invertir este proceso.
Esta técnica permite la generación de datos de alta calidad y diversidad, como imágenes, audio o textos.
Ejemplos conocidos son los Modelos Probabilísticos de Difusión para Eliminación de Ruido (DDPM) y los Modelos Generativos basados en Score.