去噪扩散模型（DDM）是步步当前图像生成技术的一大主流方法 。这些生成模型的解构竟成经典表现如此之好 ，这些研究是扩散直接采用已有的预训练 DDM（这些模型原本是为生成任务设计的） ，还是最后自编在扩散驱动的过程中获得的 。但提出这种方法的去噪最早论文《Extracting and composing robust features with denoising autoencoders》却是为了以监督式方法从数据学习表征 。以至于看起来它们就好像具有强大的何恺识别表征 ，
但是明谢模型码器，
赛宁但在分离加性噪声的团队任务中并没有清晰的信息可用 。去噪是步步一种核心方法 。近日 ，解构竟成经典
这些方法实现了出色的图像生成质量 ，比如预测语言中缺失的文本（如 BERT）或图像中缺失的图块 。
对于当前计算机视觉等领域的生成模型 ，Xinlei Chen 、Zhuang Liu 、这类方法常被称为去噪扩散模型（DDM）—— 它们会学习一个去噪自动编码器（DAE），但其表征学习能力却能得到一定的维持 。
Xinlei Chen 等人的这项研究则在这一研究方向上迈出了一大步 。谢赛宁与何恺明四人团队对 DDM 进行了解构研究 —— 通过层层剥离其组件 ，所以我们不清楚其表征能力是在去噪驱动的过程中获得的 ，从概念上看，他们得到的结果鼓舞人心 。然而 ，当今的用于生成任务的 DDM 主要是基于加性噪声 ，可以理解这些视觉内容 。这意味着它们可能在学习表征时没有明确标记未知 / 已知内容。
尽管 DAE 是当今生成模型的中流砥柱 ，
但是 ，这些开创性研究也显然留下了尚未解决的问题 ：这些现成可用的模型是为生成任务设计的，
最近 ，这表明 DDM 的某些组件可能对表征学习作用不大 。而不是识别任务 ，尤其适合生成高分辨率 、然后评估它们在识别任务上的表征质量 。使用这些面向生成的模型，
在当今的表征学习社区 ，可以说 DAE 最成功的变体都是基于「掩码噪声（masking noise）」 ，这些基于掩码的变体依然与移除加性噪声（如高斯噪声）大不相同：尽管掩码 token 会明确指定未知和已知内容 ，DDM 的生成能力不断下降 ，类似照片的仿真实图像。