---
title: "擴散模型（Diffusion Model）"
slug: diffusion-model
language: zh-TW
source: https://aiterms.tw/terms/diffusion-model
updated_at: 2026-04-29
tags: [生成式AI, 深度學習, 電腦視覺, 模型訓練]
ipas_term: true
---

# 擴散模型（Diffusion Model）

> **你看過 AI 從雜訊慢慢畫出清晰圖片嗎？**
> 你可以把 擴散模型 想成先打亂、再重建的生成流程。
> 它其實就是先把資料一步步加噪，再學會把噪聲一步一步去掉。
> 擴散模型是一種生成模型，透過逐步將雜訊還原成清晰圖像，達成從隨機雜訊生成資料的目的。這種逆向修復的思路，通常能換來更穩定的訓練和更細緻的生成品質。

### 容易混淆
> **vs 生成對抗網路 (GAN)**
> GAN 像兩個藝術家互相較勁，一個生成一個評審；擴散模型則像一個藝術家，從雜亂的畫布上逐步「擦除」雜訊，讓畫面越來越清晰。GAN 常常訓練不穩定，擴散模型在生成品質和穩定性上表現更好。
>
> **深度學習 vs 生成對抗網路**
> 深度學習 比較像同一類問題裡的近鄰參考，生成對抗網路 則更像把資料或結構往更深一層整理，兩者的用法不一樣。
>
> **最關鍵的區別：** 先看它是在做「理解、生成、分組、保護」哪一件事，再看細節。

### 記住這句就好
> 從噪聲分布裡，一步步還原出內容

### 實際案例
> **案例一：擴散模型 生成插圖**
> 你給它一個提示詞，它不是一次畫完，而是先產出亂圖，再一輪一輪把噪聲修掉，最後得到清晰圖片。
>
> **案例二：擴散模型 做超解析或修復**
> 模型會把模糊或低解析度的輸入逐步補細節，讓圖像越來越像真的，而不是只做一次性放大。

### 深入了解
> 擴散模型先把資料逐步加噪，再學反向去噪，兩個過程像鏡像
> 因為每一步都比對「少一點噪聲」，訓練通常比 GAN 穩
> 代價是採樣步數多，所以生成速度常常慢一些
>
> 擴散模型 真正重要的，不是名詞本身，而是它幫你解決的是哪一類問題。

### 情境判斷
> **Q1（直覺題）：** AI 要生成圖片時，是先從雜訊慢慢修回來比較穩，還是直接一次畫完比較穩？
> → 先從雜訊慢慢修回來通常更穩，這就是擴散模型的核心思路。
>
> **Q2（判斷題）：** 如果生成速度很重要，擴散模型還一定是最佳選擇嗎？
> → 看情況，因為它常比 GAN 穩，但採樣步數多、速度慢，若場景很吃即時性，就要考慮加速技巧或其他架構。
>
### iPAS 考題
> **Q：擴散模型的生成過程為什麼要先加噪？**
> 先把資料破壞成可控的噪聲，再學逆向去噪，模型比較穩，也比較容易學到資料分布。
>
> **Q：擴散模型在考題裡常考什麼？**
> 常考加噪與去噪的雙向過程、和 GAN 的差別，以及生成品質和速度的取捨。

### 常見問題
> **Q：擴散模型如何應用於影像超解析度？**
> 擴散模型可以學習將低解析度影像逐步去噪，還原成高解析度影像。模型會學習從低解析度影像中預測缺失的細節，並逐步添加這些細節，最終生成一張清晰的高解析度影像。這種方法通常能產生比傳統方法更逼真的結果。
>
> **Q：擴散模型在訓練時需要大量的資料嗎？**
> 是的，擴散模型通常需要大量的訓練資料才能達到良好的生成效果。這是因為模型需要學習從各種不同程度的雜訊中還原出原始資料，這需要大量的樣本來覆蓋不同的資料分布。但隨著技術發展，也有研究致力於減少擴散模型對資料的需求。
>
> **Q：如何評估擴散模型生成圖像的品質？**
> 評估擴散模型生成圖像的品質可以使用多種指標，例如Inception Score (IS)、Fréchet Inception Distance (FID) 等。這些指標可以衡量生成圖像的多樣性和真實性。此外，也可以透過人工評估的方式，讓人類判斷生成圖像的品質。
>
### 相關術語
> - **深度學習**：讀完這個再看它，可以把上下游概念串起來
> - **生成對抗網路**：讀完這個再看它，可以把上下游概念串起來
> - **變分自編碼器**：讀完這個再看它，可以把上下游概念串起來
> - **電腦視覺**：讀完這個再看它，可以把上下游概念串起來
> - **人工智慧**：讀完這個再看它，可以把上下游概念串起來

---

來源：https://aiterms.tw/terms/diffusion-model
快查頁：https://aiterms.tw/terms/diffusion-model
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-diffusion-model