Diffusion Models

拡散モデルは、段階的にノイズを追加するプロセスを逆転させることで、新しいデータサンプルの作成方法を学習する生成AIアルゴリズムの一種です。データからラベルを予測する物体検出や分類などに使用される従来の識別モデルとは異なり、拡散モデルは、実世界のデータの統計的特性を忠実に再現する高品質なコンテンツ、特に画像、音声、動画の生成に重点を置いています。拡散モデルは、学習の安定性と多様な出力を生成する能力により、敵対的生成ネットワーク（GANs）など従来の手法を上回り、高解像度画像合成における最先端の手法として急速に普及しました。

拡散モデルの仕組み#

拡散モデルの中核となる仕組みは、非平衡熱力学に基づいています。学習プロセスには、順方向プロセス（拡散）と逆方向プロセス（ノイズ除去）という2つの異なる段階があります。

• 順方向プロセス: この段階では、一連の時間ステップにわたって少量のガウスノイズを追加し、学習画像の構造を体系的に破壊します。プロセスが進むにつれて、複雑なデータ（猫の写真など）は徐々に、構造のない純粋なランダムノイズへと変化します。
• 逆方向プロセス: ニューラルネットワークの目標は、この破損を逆転させる方法を学習することです。ランダムノイズから開始し、モデルは各ステップで追加されたノイズを予測して、それを差し引きます。ノイズを反復的に除去することで、モデルはランダムな信号の「ノイズを除去」し、最終的に一貫性のある高品質な画像を生成します。

この反復的な洗練により、細部やテクスチャを非常に細かく制御できるため、単一ステップの生成手法に対して大きな利点があります。

実世界での利用例#

拡散モデルは学術研究の領域を超え、さまざまな業界で実用的な本番環境向けツールとして利用されています。

• 合成データ生成: コンピュータービジョンエンジニアにとって最も価値のある用途の1つは、学習データセットを拡張するための合成データの作成です。データセットに多様性が不足している場合、たとえば雪の中の車の画像がない場合でも、拡散モデルで現実的なバリエーションを生成できます。これにより、予測できない環境にデプロイされたYOLO26のようなビジョンモデルの堅牢性を向上させられます。
• 画像のインペインティングと編集: 拡散モデルは、画像の特定領域を変更できる高度な編集ツールを実現します。インペインティングとして知られるこの手法では、周囲のコンテキストに基づいて、不要なオブジェクトを削除したり、写真の欠けた部分を補完したりできます。建築家やデザイナーは、手作業による3Dレンダリングを行わずに製品や環境の変更を可視化し、迅速なプロトタイピングを実施するためにこの手法を使用しています。

主要用語の違い#

拡散モデルを他の生成アーキテクチャと区別して理解すると役立ちます。

• 拡散モデルとGANsの比較: GANsは、競合する2つのネットワーク（生成器と識別器）を使用し、サンプリングが高速であることで知られていますが、モデルが限られた種類の出力しか生成しない「モード崩壊」に陥ることがあります。拡散モデルは一般に学習時の安定性が高く、データ分布をより包括的にカバーしますが、推論時には速度が遅くなる場合があります。
• 拡散モデルとVAEsの比較: 変分オートエンコーダ（VAEs）は、データを潜在空間に圧縮してから再構成します。VAEsは高速ですが、生成される画像は、拡散プロセスによって生成される鮮明なディテールと比べて、ぼやけて見える場合があります。

実装方法#

拡散モデルをゼロから学習するには大きな計算リソースが必要ですが、エンジニアは学習済みモデルを活用したり、効率的な検出器と組み合わせてワークフローに統合したりできます。たとえば、拡散モデルでデータセット用の背景バリエーションを生成し、その拡張されたデータを使ってUltralytics Platformで検出モデルのアノテーションと学習を行えます。

以下は、これらのシステムの学習の基盤となる、torchを使用して単純な順方向拡散ステップ（ノイズの追加）をシミュレートする概念的な例です。

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}")

今後の方向性#

この分野では、計算コストを削減するために、ピクセル空間ではなく圧縮された潜在空間で動作する潜在拡散モデル（LDMs）へと急速に発展しています。この効率性により、コンシューマー向けハードウェア上で高性能な生成モデルを実行することが可能になります。研究が進むにつれて、生成入力と識別タスクのさらなる統合が進むと考えられます。たとえば、拡散モデルで生成したシナリオを使用して自動運転車の安全性を検証したり、まれな病態をシミュレートして医用画像解析を改善したりすることが挙げられます。