Diffusion Models معمولاً با افزودن تدریجی نویز به داده و یادگیری فرایند معکوس آموزش می‌بینند. هنگام تولید، مدل از نویز شروع می‌کند و آن را به نمونه‌ای مانند تصویر تبدیل می‌کند.
کیفیت به معماری، داده، تعداد گام‌ها و روش نمونه‌گیری وابسته است، این مدل‌ها می‌توانند محاسبات‌بر باشند.
مدل انتشار با شروع از نویز و اجرای چند گام حذف نویز، نمونه جدید می‌سازد. تعداد گام‌ها و روش Sampling بر زمان و کیفیت تاثیر دارد.