​​扩散模型属于深度学习​​，它是一类通过模拟物理扩散过程生成高质量数据的深度生成模型，​​核心亮点包括​​：基于神经网络的逆向去噪训练、马尔可夫链的数学框架、以及在图像/视频生成中的突破性应用。

1. ​​深度学习的核心方法​​
   扩散模型依赖深度神经网络（如U-Net）学习噪声分布与数据分布的映射关系，其训练过程通过梯度下降优化变分下界（VLB），属于典型的深度学习范式。例如，Stable Diffusion等模型通过Transformer架构增强长程依赖捕捉能力，进一步体现了与深度学习的深度融合。

2. ​​数学与算法的深度结合​​
   模型将前向噪声添加（扩散）与逆向去噪过程建模为参数化的马尔可夫链，需借助随机微分方程（SDE）和概率统计理论，而深度学习提供了高效求解这些复杂数学问题的工具链。

3. ​​应用场景的技术验证​​
   在图像生成领域，扩散模型通过逐步去噪生成逼真结果，性能超越传统GAN；在医疗或科学计算中，其结合卷积神经网络（CNN）处理高维数据的能力，进一步验证了其深度学习属性。

​​提示​​：扩散模型的训练需大量算力，但开源工具（如Diffusers库）降低了实践门槛，建议结合具体任务选择预训练模型微调。