扩散模型在采样过程中通过迭代地将带噪声的输入细化为结构化输出，并在经过训练的神经网络引导下处理不同类型的噪声。这个过程涉及逆转一个预定义的前向加噪过程，模型学习在每一步预测并去除噪声。在每一次采样迭代中，模型估计数据中存在的噪声并将其减去，逐步将随机噪声转化为连贯的样本。这是通过使用预定义的噪声调度（noise schedule）来实现的，它决定了在每个时间步有多少噪声。模型利用这个调度根据当前的噪声水平调整其预测，确保在去噪过程的不同阶段都能正确运行。
噪声调度在决定模型如何处理不同噪声幅度方面起着关键作用。例如，一些实现使用线性调度，噪声随时间均匀减少；而另一些则使用余弦调度，它在过程的早期和后期减缓噪声的减少。这些调度被整合到模型的训练中，使其能够根据当前时间步调整预测。例如，U-Net 架构可以使用时间步的嵌入来调制其层，确保每一步的操作都与预期的噪声水平对齐。这种条件作用使模型能够调整其行为——在早期高噪声步骤中预测粗略结构，在后期低噪声步骤中预测精细细节。调度选择会影响样本质量和速度，一些调度可以在不牺牲结果的情况下减少采样步骤。
在采样过程中，模型还依赖于特定的算法来管理随机性和确定性。例如，DDPM 采样器在每一步添加少量随机噪声来探索数据分布，而 DDIM 则通过固定噪声使用确定性方法，从而能够用更少的步骤进行更快的采样。开发者可以根据自身需求选择这些方法：随机采样器通常产生多样化的样本，但需要更多步骤；而确定性采样器则牺牲部分多样性以换取效率。此外，诸如分类器引导或潜在空间调整等技术允许通过结合外部信号（例如类别标签）来引导去噪过程，从而微调噪声处理。这些机制确保扩散模型在管理噪声方面保持灵活性，根据用例平衡速度、质量和控制。