摘要扩散模型（Diffusion Models）是当前生成式AI领域最具影响力的技术之一，在图像生成、音频合成、分子设计等任务中展现出超越GAN和VAE的生成质量。本文从数学原理出发，系统讲解扩散模型的前向扩散过程、逆向去噪过程、损失函数推导以及训练与采样算法。配套提供一份完整可运行的PyTorch代码，基于DDPM（Denoising Diffusion Probabilistic Models）框架，在MNIST数据集上实现从零训练到图像生成的全流程。文章同时总结常见训练不稳定问题及其解决方案，帮助读者真正落地扩散模型。应用场景扩散模型因其生成质量高、模式覆盖广、训练稳定等优势，被广泛应用于以下领域：图像生成：如DALL-E 2、Stable Diffusion、Imagen等主流文生图模型均基于扩散架构。图像超分辨率与修复：通过条件扩散模型实现高质量图像复原。音频生成：WaveGrad、DiffWave等模型用于语音合成。分子构象生成：在药物发现中生成三维分子结构。时序数据预测：金融、气象等领域的时间序列生成。医学影像：从低剂量CT重建高质量图像。核心原理扩散模型的核心思想分为两个阶段：前向扩散过程：逐步向数据添加高斯噪声，经过T步后数据完全变成随机噪声。逆向去噪过程：学习一个神经网络，从纯噪声逐步还原出原始数据。