Diffúziós modell
Generatív AI-architektúra, amely úgy tanul képet generálni, hogy megtanulja a zajos képből az eredeti visszaállítását. A Midjourney, a DALL-E és a Stable Diffusion alapja.
Analógia
Mint visszajátszani egy rozsdásodási folyamatot: a modell megtanulja, hogyan kell a rozsdás, kaotikus képből az eredeti, tiszta formát visszaállítani.
Miért fontos?
A mai képgeneráló AI mögötti vezető technológia. Nem az LLM-ek variánsa, hanem teljesen más megközelítés, kifejezetten vizuális tartalom előállítására optimalizálva. Marketing, terméktervezés, prezentációkészítés területén egyre relevánsabb.
Hogyan működik?
A diffúziós modellek tanítása során a rendszer fokozatosan zajt ad a tanítóadatokhoz, majd megtanulja megbecsülni, hogyan távolítható el ez a zaj. Generáláskor véletlenszerű zajból indul, és ismételt lépésekkel egyre rendezettebb kimenetet állít elő, például képet vagy hangot. A szöveges kérés feltételként irányíthatja a generálást. Egyes rendszerek a műveletet tömörített képi térben végzik, majd a végén állítják elő a látható képet.
A hétköznapi képgeneráló felületen a felhasználó leír egy jelenetet, esetleg képet vagy maszkolt területet ad meg, és a rendszer több lehetséges eredményt készít. A szöveg módosítása új mintavételt eredményezhet, ezért a kimenet nem mindig pontosan ugyanaz. A modell képi összefüggéseket tanult, így a részleteket saját maga egészíti ki; nem garantálja minden tárgy, felirat vagy térbeli kapcsolat hibátlan megjelenítését. Szerkesztéskor ezért érdemes a fontos részleteket külön ellenőrizni.
Példa
Egy tanár egy rövid leírás alapján illusztrációt készíttet egy képzeletbeli víz alatti városról, majd újabb kéréssel módosítja a fényeket és a színvilágot.
Gyakori tévhit
A modell nem kész képek egyszerű összeragasztásával dolgozik. Tanult képi mintázatokból generál új elrendezést, amely hasonlíthat a tanítóanyag stílusaira, de nem feltétlenül egy konkrét képet másol.