Model dyfuzyjny: jak AI maluje obrazy z szumu
Model dyfuzyjny to rodzaj generatywnej AI, która tworzy obrazy, wideo lub dźwięk, stopniowo oczyszczając losowy szum. Na takich modelach działa większość nowoczesnych generatorów obrazów.
Prostymi słowami
Wyobraź sobie zaparowaną szybę, przez którą nic nie widać. Przecierasz ją po trochu - i z mgły stopniowo wyłania się krajobraz. Model dyfuzyjny zaczyna od „mgły” - losowego szumu - i krok po kroku ją „przeciera”. Tylko tak, żeby wyłoniło się dokładnie to, co opisałeś w prompcie.
Jak to działa
- Podczas treningu model widzi miliony obrazów, do których stopniowo dodaje się szum, aż do zupełnego „śniegu”.
- Model uczy się robić odwrotnie: na każdym kroku trochę usuwać szum.
- Żeby generować, bierze się czysty losowy szum.
- Model w kilkudziesięciu krokach go oczyszcza, kierując się opisem tekstowym.
- Dlatego to samo zdanie za każdym razem daje inny wynik - bo szum startowy jest inny.
Gdzie to zobaczysz
Generatory obrazów i wideo, wypełnianie tła na zdjęciach przez AI, poszerzanie kadru poza krawędzie, „domalowywanie” w edytorach i w smartfonach. Większość usług, w których piszesz „narysuj...”, korzysta z modeli dyfuzyjnych albo ich krewnych.
Czy to ważne przy wyborze
Przy zakupie - jeśli chcesz generować i edytować obrazy na urządzeniu, potrzebujesz mocnego chipu i dużo pamięci. W innych przypadkach działa to w chmurze. I ważna umiejętność: takie modele słabo radzą sobie z napisami, liczbą palców i dokładnymi szczegółami - sprawdzaj wynik.
Mity
- Mit: Model znajduje gotowy obraz w bazie i trochę go zmienia. W rzeczywistości: Nie, za każdym razem tworzy nowy obraz z szumu.
- Mit: Model dyfuzyjny rozumie fizykę świata. W rzeczywistości: Kopiuje prawidłowości wyglądu, dlatego cienie, odbicia i palce często wychodzą źle.
Częste pytania
Dlaczego AI słabo pisze tekst na obrazach?
Bo uczyła się wyglądu liter jak wzorów, a nie pisowni. Nowsze modele radzą sobie lepiej.
Co to jest „seed”?
Liczba, która ustala szum startowy. Ten sam seed i prompt dają podobny wynik.
Czy są modele dyfuzyjne do wideo?
Tak, oczyszczają szum od razu dla wielu klatek, zachowując ruch.