🔑 名詞卡
擴散模型（Diffusion Models）
🎯 定義
生成式AI中一種基於逐步添加與去除雜訊的數據生成方法，特別適合高維度數據生成任務，透過反向擴散過程逐步將隨機雜訊轉換為真實數據。
原理
- 訓練階段：向數據中逐步添加隨機雜訊，最終轉化為高斯分佈的雜訊
- 生成階段：透過反向過程逐步去除雜訊，重建出具真實感的數據樣本
應用場景
- 高品質圖像生成：高解析度、細節豐富的圖像，應用於設計與藝術創作
- 醫療影像合成：生成高品質合成醫療影像，緩解臨床數據稀缺問題
- 文本到圖像生成：描述性文本轉換為對應圖像
易混淆
- vs GAN：GAN 靠生成器/鑑別器對抗學習；擴散模型靠「加雜訊→去雜訊」的逐步過程生成，訓練機制完全不同。
📖 課文原文「擴散模型（Diffusion Models）是一種基於逐步添加與去除雜訊的數據生成方法，特別適合於高維度的數據生成任務。這種模型透過反向擴散過程逐步將隨機雜訊轉換為真實數據，使得生成數據更具真實性與細膩度。」
技術演進脈絡中的定位（中級科目一補充）
屬於生成式 AI 技術演進「擴散與多模態階段」（2020 年起）代表技術，與 GAN 時代（2014–2020，對抗訓練）相繼而起，成為圖像生成領域的新主流；代表模型：DDPM、Stable Diffusion、DALL·E。