拡散モデル
拡散モデル(diffusion model)とは、多くのステップをかけて少しずつノイズを取り除くことで、ランダムなノイズを画像などのデータに変えることを学ぶ生成モデルです。
別名: diffusion, denoising diffusion, latent diffusion
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
学習では、本物の画像から始めて、砂嵐しか残らなくなるまで段階的にノイズを加えていきます。モデルは、そのノイズを 1 ステップ分取り除くことを学びます。生成するときは、純粋なノイズから始めて、学んだノイズ除去のステップを、きれいな画像が現れるまで何度も繰り返します。Ho、Jain、Abbeel による 2020 年の DDPM の論文は、この方法で高品質な画像を生成できることを示しました。
なぜ重要か
テキストからの画像生成ツールからテキストからの動画生成モデルまで、今日目にする画像や動画の生成モデルのほとんどは拡散を土台にしています。オープンな例には FLUX.2 dev があり、Diffusers や ComfyUI などのライブラリでローカルに動かせます。ほかのモデルは画像モデルに掲載しています。
潜在拡散
ピクセルに直接拡散を行うと、遅くコストもかかります。Rombach らが提案した潜在拡散は、まずオートエンコーダーで画像を圧縮し、その小さな空間でノイズ除去を行います。クロスアテンションの層によって、テキストのプロンプトが各ステップを導きます。これが Stable Diffusion と、その後の多くのモデルの設計です。
限界
生成には順番に実行する多くのステップが必要なので、1 回の処理で画像を作るより遅くなります。制御は間接的です。プロンプト、ガイダンススケール、ControlNet などの追加モジュールは、どれもノイズ除去を後押しするだけで、結果を指定するわけではありません。拡散言語モデルは同じ考え方をテキストに応用したものです。
関連用語
- Text-to-image(画像生成)
- Text-to-image(画像生成)とは、プロンプトと呼ばれる書かれた説明から新しい画像を生成するタスクです。現在のtext-to-imageモデルのほとんどは、テキストで条件付けした拡散モデルです。
- Text-to-video(動画生成)
- Text-to-video(動画生成)とは、書かれたプロンプトから短い動画クリップを生成するタスクです。モデルは、それぞれが正しく見え、しかもフレーム間で一貫して動くフレームを生成しなけれ ばなりません。
- ガイダンススケール(CFG)
- ガイダンススケール(guidance scale)、または CFG スケールとは、拡散モデルの画像生成ツールで、出力がプロンプトにどれだけ強く従うかを調整する設定です。値を高くするとプロンプトにより忠実に従いますが、多様性は下がります。
- ControlNet
- ControlNet は、テキストからの画像生成を行う拡散モデルが、テキストのプロンプトに加えて、エッジマップ、深度マップ、人のポーズなどの構造的なガイドに従えるようにするニューラルネットワークの追加モジュールです。
- 拡散言語モデル
- 拡散言語モデル(diffusion language model、dLLM)とは、1 トークンずつ書くのではなく、完全にマスクされた系列やノイズを含む系列から始め、何段階かかけて多くのトークン位置を並列に洗練させることでテキストを生成するモデルです。
- 自己回帰モデル
- 自己回帰モデル(autoregressive model)とは、系列を 1 つずつ生成するモデルです。それまでのすべてのトークンから次のトークンを予測し、その出力を入力に戻します。ほとんどの大規模言語モデルはこの方式で動いています。