拡散モデル とは？

逆向きのプロセスを学習するんだ。まず「きれいな画像にノイズを少しずつ加えて完全なランダムノイズにする」過程を考える。次に「ランダムなノイズからきれいな画像を少しずつ復元する」逆向きのプロセスをニューラルネットワークに学習させる。そうすると新しいランダムノイズから始めてきれいな画像を生成できるようになるんだ。

GANは「偽物を作る生成器」と「本物・偽物を見分ける識別器」が競い合って学習する方法だよ。拡散モデルはその競い合いがなく、学習が安定しやすいのが特徴なんだ。GANは学習が不安定になりやすかったけど、拡散モデルはその問題を大幅に改善したことで画像生成AIの主流になったんだよ。

CLIPというモデルでテキストと画像を同じ空間（ベクトル空間）に埋め込む技術と組み合わせることで実現しているんだ。「夕焼けの海の猫」というテキストを手がかりにしながら、そのイメージに合った画像になるようノイズ除去の方向を誘導するんだよ。

品質と速度のトレードオフが難しい問題なんだ。標準的な拡散モデルは数十〜数千ステップで画像を生成するけど、ステップを減らすと品質が落ちる。これを解決するために「DDIM（非マルコフ連鎖サンプリング）」「Consistency Models（一貫性モデル）」「LCM（潜在一貫性モデル）」など、少ないステップで高品質を維持する研究が急速に進んでいる。理論的に「なぜ少ないステップでも動くのか」の完全な説明はまだ発展途上で、研究者たちが実験と理論を行き来しながら解明している最中なんだよ。