扩散模型（DMs）已成为生成性人工智能（GenAI）中的主流方法，凭借其在文本到图像合成等任务中的出色表现。然而，实际应用中的扩散模型，如稳定扩散，通常需要在庞大的数据集上进行训练，因此通常需要大量存储。同时，为了生成高质量的图像，可能需要多次步骤，即递归地评估训练过的神经网络，这在样本生成过程中导致了显著的计算成本。因此，基于预训练扩散模型的蒸馏方法已成为开发较小、效率更高的模型的广泛应用实践，这些模型能够在低资源环境中进行快速且少步骤的生成。当这些蒸馏方法从不同的角度发展时，急需进行系统性的综述，特别是从方法论的角度出发。在本综述中，我们从三个方面回顾了蒸馏方法：输出损失蒸馏、轨迹蒸馏和对抗蒸馏。我们还讨论了当前的挑战，并在结论中概述了未来的研究方向。