本案例依原書 3.4.3 Diffusion Models 與 Table 3.1 整理。
理解 Diffusion Model 如何從 Noise 逐步重建高品質內容。
Denoising Diffusion 先逐步加入 Noise，再訓練模型反向去噪，從 Pure Noise 逐步生成 Realistic Output。
| 面向 | 原書內容 | 意義 |
|---|---|---|
| Forward Process | Progressively Add Noise | 破壞原資料 |
| Reverse Process | Sequential Denoising | 重建／生成資料 |
| Advances | DDPM、Latent Diffusion、Classifier-free Guidance | 改善 Resolution／Semantic Control／Speed |
| Examples | DALL·E 2、Imagen | Text-to-image |
| Table 3.1 | Strengths: State-of-the-art Image Quality、Stable Training | Limits: Slow Sampling、High Compute Cost |
Excel 可記錄 Sampling Steps、Latency、Compute、Output Evaluation；AI 可比較 Trade-off，但原書未提供固定 Sampling Step 或 Cost。
原書沒有統一 Sampling Time／Compute Benchmark。
Diffusion 的高品質與穩定訓練伴隨較慢 Sampling 與高 Compute Cost，模型選擇需考慮效率需求。
請用 Forward Noising／Reverse Denoising 解釋 Diffusion，並將 Image Quality、Training Stability、Sampling Speed、Compute Cost 分開比較。