扩散模型‌本质上是一种无监督学习技术‌，它通过逐步去噪数据来学习潜在的数据分布，‌无需依赖人工标注的标签‌。其核心在于通过‌自监督方式‌从原始数据中提取规律，适用于图像生成、数据修复等场景。以下是关键点解析：

1. ‌无监督的核心机制‌
   扩散模型训练时仅需原始数据（如未标注的图片），通过定义前向噪声添加和逆向去噪过程，模型自动学习数据分布特征。‌噪声预测任务本身即自监督目标‌，无需外部标注。

2. ‌与监督学习的区别‌
   传统监督学习依赖输入-输出配对（如分类标签），而扩散模型通过‌最大化数据似然估计‌直接建模分布。其训练目标（如预测噪声）由数据本身衍生，属于无监督范式。

3. ‌半监督的扩展应用‌
   虽然基础扩散模型无监督，但可通过少量标注数据微调（如条件生成），此时变为半监督。但‌核心架构仍基于无监督学习‌，标注仅辅助控制生成方向。

4. ‌实际场景的适应性‌
   无监督特性使其擅长处理稀缺标注数据的领域（如医学影像生成），同时通过潜在空间插值实现数据增强，‌降低对标注的依赖‌。

总结来看，扩散模型以无监督学习为根基，其灵活性和生成质量正推动AI在未标注数据领域的突破。用户可根据需求选择纯无监督或结合少量标注的混合模式。