21 · Architektur

Diffusionsmodell

erzeugt Bilder, indem es Rauschen schrittweise entfernt.

Das Modell lernt rückwärts: Im Training wird Bildern schrittweise Rauschen hinzugefügt, bis nichts mehr zu erkennen ist — das Modell übt, jeden Schritt umzukehren. Beim Erzeugen startet es mit purem Rauschen und entrauscht sich in Dutzenden Schritten zu einem Bild, gelenkt von der Textbeschreibung. So entstehen die meisten KI-Bilder, zunehmend auch Video und Audio.

Ein Beispiel

Ein Diffusionsmodell beginnt mit reinem Bildrauschen — dem, was ein Fernseher ohne Signal zeigt — und entfernt daraus in etwa fünfzig Schritten immer ein bisschen Rauschen, gelenkt von der Textbeschreibung. Nach dem zehnten Schritt ahnt man eine Komposition, nach dem dreißigsten sind Formen erkennbar, nach dem fünfzigsten steht ein Bild. Trainiert wurde das, indem man echten Bildern schrittweise Rauschen zufügte und das Modell den umgekehrten Weg lernen ließ.

Genauer betrachtet

Beim Training lernt das Modell, aus einem verrauschten Bild einen Schritt Rauschen zu entfernen. Beim Erzeugen startet es mit reinem Rauschen und wiederholt diesen Schritt fünfzig- bis tausendfach. Der eingegebene Text steuert dabei jeden einzelnen Schritt mit.

Warum das zählt

Für die Praxis sind zwei Eigenschaften wichtig. Die Schrittzahl ist eine direkte Stellschraube zwischen Kosten und Qualität — weniger Schritte, schnelleres und billigeres Bild. Und: Diffusionsmodelle sind nicht auf Bilder beschränkt; dieselbe Idee erzeugt inzwischen Video, Audio und Molekülstrukturen. Wo sie in Kommunikation, Produktfotografie oder Illustration eingesetzt werden, sind Herkunftsnachweis und Kennzeichnung die eigentlichen offenen Fragen — nicht die Bildqualität.

Häufig missverstanden

Mehr Schritte bedeuten nicht automatisch ein besseres Bild. Jenseits einer modellabhängigen Grenze steigt nur die Rechenzeit.

Nachbarschaft

Verwandte Begriffe

Der Brief.