1. 引言
近年来，扩散模型（Diffusion Models）在图像生成、视频生成等领域取得了令人瞩目的成就，而强化学习（Reinforcement Learning, RL）则在决策、控制与智能体训练中展现出强大的能力。将两者结合，既可以用扩散模型作为强化学习的策略表示，也可以用强化学习来优化扩散模型的生成目标，形成了一条极具潜力的研究路线。
本文将从基础概念出发，梳理强化学习与扩散模型结合的核心动机、技术路线，并解读几篇具有代表性的前沿论文，帮助读者建立对这一交叉领域的系统认知。
2. 基础概念回顾
2.1 扩散模型简介
扩散模型是一类生成模型，其核心思想是：通过一个前向过程逐步向数据添加噪声，直到数据变成纯噪声；再通过一个反向过程学习逐步去噪，从而从噪声中恢复出真实数据分布。
- 前向过程：给定真实样本 x 0 x_0 x0，逐步添加高斯噪声得到 x 1 , x 2 , … , x T x_1, x_2, \\dots, x_T x1,
