Diffusionsmodelle sind die Technik hinter moderner KI-Bilderzeugung (Stable Diffusion, DALL·E, Midjourney). Die Grundidee klingt paradox: Man bringt einem Netz bei, aus reinem Rauschen Schritt für Schritt ein Bild herauszuschälen. Gesteuert wird das Ganze durch einen Textprompt, sodass am Ende genau das entsteht, was beschrieben wurde.
Das Training beruht auf einem Trick. Zuerst nimmt man echte Bilder und zerstört sie schrittweise, indem man in vielen kleinen Schritten Rauschen hinzufügt, bis nur noch Zufall übrig ist (Vorwärts-Prozess). Das Netz lernt dann, jeden einzelnen dieser Schritte rückgängig zu machen, also Rauschen zu entfernen (Rückwärts-Prozess). Kann es das gut, kann es auch aus purem Rauschen ein neues Bild erzeugen.
Zur Erzeugung startet man mit einem zufälligen Rauschbild und lässt das Netz es viele Male (typisch 20 bis 50 Durchläufe) ein Stück weit entrauschen. In jedem Schritt schätzt das Netz, welcher Anteil des Bildes Rauschen ist, und zieht einen Teil davon ab. Aus dem Nebel schält sich langsam eine Struktur.
Damit nicht irgendein Bild entsteht, sondern das gewünschte, wird der Textprompt in einen Vektor übersetzt und bei jedem Entrauschungsschritt als Bedingung mitgegeben. Das Netz entrauscht dann nicht neutral, sondern in Richtung des Prompts. Ein Regler (Guidance) bestimmt, wie streng es dem Text folgt.
| Eigenschaft | Vorteil |
|---|---|
| Viele kleine Schritte | jeder Schritt ist eine leichte Aufgabe, stabil zu lernen |
| Rauschen als Ausgangspunkt | unendliche Vielfalt möglicher Bilder |
| Textbedingung | präzise Steuerung über Sprache |
| Guidance-Regler | Balance zwischen Treue zum Prompt und Vielfalt |
Moderne Systeme arbeiten oft im komprimierten Latent Space statt direkt auf Pixeln (schneller) und nutzen für die Textverarbeitung Transformer. Diffusion ist damit ein Bindeglied zwischen generativer Bild-KI und den Sprachmodell-Bausteinen dieses Wikis.