La perte de diffusion est une fonction de perte liée aux modèles de diffusion, qui est utilisée pour guider le modèle afin d'apprendre à supprimer progressivement le bruit et à restaurer la structure d'origine des données pendant la formation. Le modèle de diffusion fonctionne en deux étapes : le processus de diffusion directe et le processus de diffusion inverse. Au cours du processus de diffusion directe, le modèle ajoute progressivement du bruit aux données jusqu’à ce que celles-ci soient complètement transformées en bruit ; tandis que pendant le processus de diffusion inverse, le modèle apprend à supprimer le bruit et à restaurer les données.

Le but de la fonction de perte de diffusion est de minimiser l'erreur de prédiction du processus de débruitage, c'est-à-dire la différence entre les résultats débruités prédits par le modèle et les données réelles. Cette fonction de perte est généralement définie sur la base de l’erreur quadratique moyenne (MSE) ou du principe d’inférence variationnelle.