AI生成图像在所有频率上都具有“分散的强度”，这意味着其傅里叶变换后的能量在整个频谱范围内分布较为均匀。相比之下，真实图像的强度则主要集中在中心频率，即能量主要集中在低频部分，反映出图像中平滑的过渡和整体结构。此外，真实照片通常被描述为“混乱、无序和不平衡”的，它们捕捉了现实世界中固有的复杂性和随机性。结合CNN和循环神经网络（RNN，例如LSTM）的模型，可以捕捉视频中人脸运动、表情变化等时序上

扩散模型扩散模型是一种生成式模型，它的灵感来源于物理学中的扩散过程。前向扩散（Forward Diffusion）：这是一个固定的、逐渐加噪声的过程。从一张清晰的图像开始，模型会逐步向图像中添加高斯噪声，直到图像最终完全变成随机的噪声。这个过程是可控的，每个步骤的噪声量都是预设的。反向扩散（Reverse Diffusion）：这是模型需要学习的阶段。模型的目标是学习如何逐步地从纯噪声中“去噪”，