在AI图像生成中，”diffusion”（扩散）通常指的是一类生成模型，称为扩散模型（Diffusion Models）。这类模型通过逐步引入噪声到数据中，并训练网络学习逆向过程来生成数据。扩散模型在图像生成领域中应用广泛，特别是在文本到图像的生成任务中表现出色。
扩散模型的工作原理可以概括为以下几个步骤：
正向扩散过程：向图像逐渐添加高斯噪声，直到图像完全无法识别，这个过程可以被形式化为顺序扩散马尔可夫链。潜空间表示：将图像压缩到低维的潜在空间（Latent Space）中，以减少计算量和提高生成速度。 学习逆向过程：训练一个神经网络来预测每一步中噪声的分布，并逐步去除噪声，从而恢复出清晰的图像。文本到图像的生成：结合文本编码器和图像解码器，根据文本描述生成相应的图像。扩散模型的关键优势在于其生成高质量的图像的能力，以及相比其他生成模型（如GANs）在计算效率和稳定性上的优势。Stable Diffusion等模型就是基于扩散模型的文本到图像生成工具，它们能够根据文本提示生成逼真的图像。
扩散模型的逆向过程，即从噪声中恢复图像的过程，可以类比为雕刻，AI逐步去除不必要的部分，最终得到清晰的图像。这个过程可以逐步进行，也可以一次性完成，取决于模型的具体实现和采样算法。
总的来说，扩散模型为AI图像生成提供了一种强大的技术手段，能够在多种场景下生成高质量的图像。
