Ein Artikel, der die Prinzipien von Diffusion Models erklärt

Dieser Artikel gibt einen Überblick über Diffusion Models und erklärt ihre grundlegenden Prinzipien. Diffusion Models sind eine Technik zum Erlernen von Datenverteilungen und werden vor allem bei der Bildgenerierung eingesetzt.

Grundsätzlich beginnen Diffusion Models mit stark verrauschten Daten und erzeugen schrittweise Daten, indem sie das Rauschen nach und nach entfernen. Dieser Prozess besteht aus zwei Phasen: dem Vorwärts-Diffusionsprozess und dem Rückwärts-Diffusionsprozess. Im Vorwärts-Diffusionsprozess werden Daten schrittweise in einen stark verrauschten Zustand überführt, und im Rückwärts-Diffusionsprozess wird dieses Rauschen allmählich entfernt, um die ursprünglichen Daten wiederherzustellen.

Das Training dieses Modells erfolgt in die Richtung, den Unterschied zwischen den gegebenen Daten und den mit Rauschen vermischten Daten zu minimieren. Dadurch lernt das Modell nach und nach, realistische Daten zu erzeugen. Solche Diffusion Models zeigen insbesondere auf großen Datensätzen eine starke Leistung und haben sich im Bereich der generativen Modelle neben GANs (Generative Adversarial Networks) als wichtige Technologie etabliert​.