Nous présentons des résultats de synthèse d’images de haute qualité obtenus à l’aide de modèles probabilistes de diffusion, une catégorie de modèles à variables latentes inspirés des principes de la thermodynamique hors équilibre. Nos meilleurs résultats sont atteints en entraînant le modèle sur une borne variationnelle pondérée, conçue en se basant sur une nouvelle connexion entre les modèles probabilistes de diffusion et l’ajustement de score par débruitage avec dynamique de Langevin. Nos modèles admettent naturellement un schéma progressif de décompression avec perte, qui peut être interprété comme une généralisation du décodage auto-régressif. Sur le jeu de données CIFAR10 non conditionnel, nous obtenons un score Inception de 9,46 et un score FID de 3,17, parmi les meilleurs atteints à ce jour. Sur LSUN à résolution 256×256, la qualité des échantillons est comparable à celle de ProgressiveGAN. Notre implémentation est disponible à l’adresse suivante : https://github.com/hojonathanho/diffusion