Diffusion Models

Los modelos de difusión son una clase de algoritmos de IA generativa que aprenden a crear nuevas muestras de datos invirtiendo un proceso gradual de adición de ruido. A diferencia de los modelos discriminativos tradicionales utilizados para tareas como la detección de objetos o la clasificación, que predicen etiquetas a partir de los datos, los modelos de difusión se centran en generar contenido de alta fidelidad —principalmente imágenes, audio y vídeo— que imita estrechamente las propiedades estadísticas de los datos del mundo real. Se han convertido rápidamente en la solución de vanguardia para la síntesis de imágenes de alta resolución, superando a líderes anteriores como las redes generativas antagónicas (GANs) gracias a su estabilidad durante el entrenamiento y a su capacidad para generar resultados diversos.

Cómo funcionan los modelos de difusión#

El mecanismo central de un modelo de difusión se basa en la termodinámica del no equilibrio. El proceso de entrenamiento consta de dos fases diferenciadas: el proceso directo (difusión) y el proceso inverso (eliminación de ruido).

• Proceso directo: Esta fase destruye sistemáticamente la estructura de una imagen de entrenamiento añadiendo pequeñas cantidades de ruido gaussiano a lo largo de una serie de pasos temporales. A medida que avanza el proceso, los datos complejos (como la foto de un gato) se transforman gradualmente en ruido aleatorio puro y sin estructura.
• Proceso inverso: El objetivo de la red neuronal es aprender a revertir esta corrupción. Partiendo de ruido aleatorio, el modelo predice el ruido añadido en cada paso y lo resta. Al eliminar el ruido de forma iterativa, el modelo «elimina el ruido» de la señal aleatoria hasta que emerge una imagen coherente y de alta calidad.

Este refinamiento iterativo permite controlar de forma excepcional los detalles finos y las texturas, una ventaja significativa frente a los métodos de generación de un solo paso.

Aplicaciones en el mundo real#

Los modelos de difusión han pasado de la investigación académica a convertirse en herramientas prácticas de nivel de producción en diversos sectores.

• Generación de datos sintéticos: Una de las aplicaciones más valiosas para los ingenieros de visión artificial es la creación de datos sintéticos para ampliar los conjuntos de datos de entrenamiento. Si un conjunto de datos carece de diversidad —por ejemplo, si no incluye imágenes de coches en condiciones de nieve—, un modelo de difusión puede generar variaciones realistas. Esto ayuda a mejorar la robustez de modelos de visión como YOLO26 al desplegarlos en entornos impredecibles.
• Relleno y edición de imágenes: Los modelos de difusión impulsan herramientas de edición avanzadas que permiten modificar regiones específicas de una imagen. Esta técnica, conocida como relleno, puede eliminar objetos no deseados o completar partes que faltan en una foto basándose en el contexto circundante. Arquitectos y diseñadores la utilizan para crear prototipos rápidamente y visualizar cambios en productos o entornos sin necesidad de realizar un renderizado 3D manual.

Diferenciación de términos clave#

Es útil distinguir los modelos de difusión de otras arquitecturas generativas:

• Modelos de difusión frente a GANs: Aunque las GANs utilizan dos redes enfrentadas (un generador y un discriminador) y son conocidas por su muestreo rápido, a menudo sufren un «colapso de modos», por el que el modelo produce una variedad limitada de resultados. Los modelos de difusión suelen ser más estables durante el entrenamiento y cubren la distribución de los datos de forma más completa, aunque pueden ser más lentos en el momento de la inferencia.
• Modelos de difusión frente a VAEs: Los codificadores automáticos variacionales (VAEs) comprimen los datos en un espacio latente y después los reconstruyen. Aunque los VAEs son rápidos, las imágenes que generan a veces pueden parecer borrosas en comparación con los detalles nítidos producidos por los procesos de difusión.

Implementación práctica#

Aunque entrenar un modelo de difusión desde cero requiere una capacidad de cálculo considerable, los ingenieros pueden aprovechar modelos preentrenados o integrarlos en flujos de trabajo junto con detectores eficientes. Por ejemplo, podrías utilizar un modelo de difusión para generar variaciones del fondo de un conjunto de datos y después usar la Ultralytics Platform para anotar y entrenar un modelo de detección con esos datos mejorados.

A continuación se muestra un ejemplo conceptual que utiliza torch para simular un paso sencillo de difusión directa (adición de ruido), que constituye la base del entrenamiento de estos sistemas.

import torch


def add_noise(image_tensor, noise_level=0.1):
    """Simulates a single step of the forward diffusion process by adding Gaussian noise."""
    # Generate Gaussian noise with the same shape as the input image
    noise = torch.randn_like(image_tensor) * noise_level

    # Add noise to the original image
    noisy_image = image_tensor + noise

    # Clamp values to ensure they remain valid image data (e.g., 0.0 to 1.0)
    return torch.clamp(noisy_image, 0.0, 1.0)


# Create a dummy image tensor (3 channels, 64x64 pixels)
dummy_image = torch.rand(1, 3, 64, 64)
noisy_result = add_noise(dummy_image)

print(f"Original shape: {dummy_image.shape}, Noisy shape: {noisy_result.shape}")

Direcciones futuras#

El campo evoluciona rápidamente hacia los modelos de difusión latente (LDMs), que operan en un espacio latente comprimido en lugar de hacerlo en el espacio de píxeles para reducir los costes computacionales. Esta eficiencia hace viable ejecutar modelos generativos potentes en hardware de consumo. A medida que continúa la investigación, esperamos una integración más estrecha entre las entradas generativas y las tareas discriminativas, como utilizar escenarios generados mediante difusión para validar la seguridad de los vehículos autónomos o mejorar el análisis de imágenes médicas mediante la simulación de patologías poco frecuentes.