Cet article présente une dérivation concise de plusieurs modèles de diffusion influents basés sur les scores, en s'appuyant uniquement sur quelques résultats de niveau manuel. Les modèles de diffusion sont récemment apparus comme un outil puissant pour générer des signaux synthétiques réalistes (en particulier des images naturelles) et jouent un rôle important dans les algorithmes de pointe pour les problèmes inverses en traitement d'images. Si ces algorithmes sont souvent étonnamment simples, la théorie qui les sous-tend ne l'est pas, et la littérature propose plusieurs justifications théoriques complexes. Dans cet article, nous fournissons une justification théorique simple et largement explicite des modèles de diffusion basés sur les scores pour le traitement du signal. Cette approche conduit à un modèle algorithmique général pour l'apprentissage et la génération d'échantillons à l'aide de modèles de diffusion. Nous montrons que plusieurs modèles de diffusion influents correspondent à des choix spécifiques au sein de ce modèle, et que des choix algorithmiques alternatifs plus simples peuvent produire des résultats similaires. Cette approche présente l'avantage supplémentaire de permettre un échantillonnage conditionnel sans approximation probabiliste.