Este artículo presenta una derivación concisa de varios modelos influyentes de difusión basados en puntuaciones, basándose únicamente en unos pocos resultados de libros de texto. Los modelos de difusión han surgido recientemente como una herramienta poderosa para generar señales sintéticas realistas (especialmente imágenes naturales) y desempeñan un papel destacado en algoritmos de vanguardia para problemas inversos en el procesamiento de imágenes. Si bien estos algoritmos suelen ser sorprendentemente simples, la teoría que los sustenta no lo es, y existen varias justificaciones teóricas complejas en la literatura. En este artículo, proporcionamos una justificación teórica simple y, en gran medida, autoexplicativa para los modelos de difusión basados en puntuaciones para el procesamiento de señales. Este enfoque conduce a una plantilla algorítmica general para el entrenamiento y la generación de muestras utilizando modelos de difusión. Demostramos que varios modelos de difusión influyentes corresponden a opciones específicas dentro de esta plantilla, y que alternativas algorítmicas más simples pueden proporcionar resultados similares. Este enfoque tiene la ventaja adicional de permitir el muestreo condicional sin ninguna aproximación de probabilidad.
