本論文は拡散モデルの基本原則を紹介し、その起源を辿りながら多様な定式化が共有された数学的アイデアから生じることを示しています。拡散モデリングは、データを徐々にノイズに変える前方プロセスを定義し、データ分布を単純な事前分布に結びつけ、中間分布を介してつながります。目標は、ノイズをデータに戻す逆プロセスを学ぶことであり、中間の情報を回復します。ここでは、変分的視点、スコアに基づく視点、フローに基づく視点の三つの補完的な視点が提案されており、それぞれが異なるアプローチで拡散モデルを理解します。サンプリングは、ノイズをデータに進化させる微分方程式を解くことに帰着されます。最後に、制御可能な生成の指針、効率的な数値解法、および時刻間の直接マッピングを学ぶフロー・マップモデルについても議論がなされます。