深度扩散过程(DDP)模型是一种强大的生成模型，它通过执行正向扩散过程然后反向扩散过程来生成数据。其关键概念是如果可以建立一个学习模型来学习由于噪声引起的信息系统衰减，那么也能通过逆转这个过程，从而在噪声中恢复信息。
DDP模型由两个网络组成，正向扩散阶梯网络和反向扩散阶梯网络。前向扩散步骤网络采用输入样本并通过添加噪声生成新样本。反向扩散步骤网络采用噪声样本并生成原始输入样本。通过最小化生成样本和原始样本之间的差异来训练模型。
除了可以生成高质量的图像，扩散模型还有许多其他好处，包括不需要对抗性训练。在训练效率方面，扩散模型还具有可扩展性和并行化的额外优势。
扩散模型训练中使用的模型遵循与VAE网络类似的模式，但是，与其他网络架构相比，它通常更加简单和直接。输入层具有与数据维度相同的输入大小。根据网络要求的深度，可以有多个隐藏层。中间层是具有各自激活函数的线性层。最后一层的大小再次与原始输入层的大小相同，从而重建了原始数据。在去噪扩散网络中，最后一层由两个独立的输出组成，每个输出分别用于预测概率密度的均值和方差。
