Диффузионная модель — это тип нейросети, который создаёт изображения, видео или звук, постепенно превращая случайный шум в осмысленный результат.
Обучение устроено в два этапа. Сначала к реальным картинкам шаг за шагом добавляют шум, пока не останется «снег» без деталей. Затем нейросеть учат делать обратное: на каждом шаге предсказывать, какой шум был добавлен, и убирать его. Когда модель научилась, генерация начинается с чистого шума. Нейросеть многократно очищает его, а подсказкой служит текстовое описание: оно направляет процесс так, чтобы в итоге получилась картинка, соответствующая запросу.
На диффузии построено большинство известных генераторов: Stable Diffusion, DALL·E, Midjourney, Flux, а также видеомодели вроде Sora. Чтобы не обрабатывать огромные картинки напрямую, часто работают в сжатом «скрытом» пространстве — так вычислений нужно меньше.
Как это выглядит на практике
Вы вводите запрос «красный велосипед у кирпичной стены, закат». Модель делает, например, 20–50 шагов очистки шума. На ранних шагах появляются общие пятна и композиция, на поздних — детали, текстуры и свет. Один и тот же запрос с разным начальным шумом даёт разные картинки, а число-зерно (seed) позволяет повторить результат.
Важные настройки
- Число шагов: больше шагов — обычно чище, но дольше.
- Сила следования запросу (guidance): насколько строго картинка подчиняется тексту.
- Seed: фиксирует случайность для воспроизводимости.
- Негативный запрос: что не должно попасть в кадр.
Чем отличается от других подходов
Раньше популярны были GAN: две сети соревновались, одна создаёт, другая проверяет. Они быстрее, но обучать их сложнее и результаты менее разнообразны. Диффузия стабильнее и даёт более качественные картинки, хотя требует больше шагов. Языковые модели, напротив, устроены иначе: они предсказывают следующий Токен, а не очищают шум.
Типичные ошибки
- Слишком короткий запрос без стиля, света и композиции.
- Ожидание точных надписей и рук: это слабое место многих моделей.
- Игнорирование лицензии на коммерческое использование.
Пример применения
Дизайнер генерирует десять вариантов обложки для статьи, выбирает лучший и дорабатывает его в графическом редакторе. Диффузионные модели также умеют менять часть изображения, расширять кадр за границы и превращать набросок в готовую картинку, что ускоряет работу над концептами.
Отдельное преимущество подхода в управляемости: вместе с текстом модели можно подать эскиз, контур или позу, и результат будет следовать этой структуре. Поэтому диффузию используют не только для картинок с нуля, но и для ретуши, смены фона и стилизации.
Частый вопрос
Почему диффузионные модели иногда рисуют лишние пальцы? Модель не понимает строение руки, а воспроизводит статистические закономерности на картинках. Мелкие сложные детали, где много вариантов, получаются хуже, и более новые версии это постепенно исправляют.