AITerms 登入
iPAS 中級 生成式AI深度學習電腦視覺

擴散模型(Diffusion Model)是什麼?

擴散模型是一種生成模型,透過逐步將雜訊還原成清晰圖像,達成從隨機雜訊生成資料的目的

完整定義

擴散模型是一種生成式模型,通過逐步將雜訊添加到資料中,然後學習逆向過程,從雜訊中重建資料。它包含前向擴散過程和反向去噪過程。擴散模型在圖像生成、音訊生成等領域表現出色,能夠生成高品質、多樣化的樣本。在 iPAS 考試中,擴散模型是生成式 AI 的重要組成部分,需要了解其基本原理和應用場景。

白話說明

你看過 AI 從雜訊慢慢畫出清晰圖片嗎?

你可以把 擴散模型 想成先打亂、再重建的生成流程。

它其實就是先把資料一步步加噪,再學會把噪聲一步一步去掉。

擴散模型是一種生成模型,透過逐步將雜訊還原成清晰圖像,達成從隨機雜訊生成資料的目的。這種逆向修復的思路,通常能換來更穩定的訓練和更細緻的生成品質。

記住這句

從噪聲分布裡,一步步還原出內容

比喻:擴散模型就像一位「逆向的藝術修復師」 -- 它從一堆完全混亂、像電視雪花點的雜訊開始,一步步地「猜測」並「抹去」這些雜訊,直到最終像變魔術一樣,從混沌中還原出一張清晰、有意義的圖片或影像。

容易混淆

vs 生成對抗網路 (GAN)

GAN 像兩個藝術家互相較勁,一個生成一個評審;擴散模型則像一個藝術家,從雜亂的畫布上逐步「擦除」雜訊,讓畫面越來越清晰。GAN 常常訓練不穩定,擴散模型在生成品質和穩定性上表現更好。

實際案例

案例一:擴散模型 生成插圖

你給它一個提示詞,它不是一次畫完,而是先產出亂圖,再一輪一輪把噪聲修掉,最後得到清晰圖片。

案例二:擴散模型 做超解析或修復

模型會把模糊或低解析度的輸入逐步補細節,讓圖像越來越像真的,而不是只做一次性放大。

深入了解

擴散模型先把資料逐步加噪,再學反向去噪,兩個過程像鏡像

因為每一步都比對「少一點噪聲」,訓練通常比 GAN 穩

代價是採樣步數多,所以生成速度常常慢一些

情境判斷

Q1(直覺題): AI 要生成圖片時,是先從雜訊慢慢修回來比較穩,還是直接一次畫完比較穩?

先從雜訊慢慢修回來通常更穩,這就是擴散模型的核心思路。

Q2(判斷題): 如果生成速度很重要,擴散模型還一定是最佳選擇嗎?

看情況,因為它常比 GAN 穩,但採樣步數多、速度慢,若場景很吃即時性,就要考慮加速技巧或其他架構。

iPAS 考題

Q:擴散模型的生成過程為什麼要先加噪?

先把資料破壞成可控的噪聲,再學逆向去噪,模型比較穩,也比較容易學到資料分布。

Q:擴散模型在考題裡常考什麼?

常考加噪與去噪的雙向過程、和 GAN 的差別,以及生成品質和速度的取捨。

常見問題

範例考題

某時尚品牌導入生成式 AI(Generative AI)技術,建立服裝設計輔助系統。系統需根據設計師輸入的風格條件,自動產生具有高度視覺品質、細節穩定且風格變化自然的服裝草圖。團隊特別重視生成結果的穩定性與多樣性控制能力。在此需求下,下列哪一種模型技術或方法較為適合?

  1. A支援向量機(Support Vector Machine, SVM)
  2. B生成對抗網路(Generative Adversarial Network, GAN)
  3. C決策樹(Decision Tree)
  4. D擴散模型(Diffusion Model)
到題目頁作答

出現在這些考古題

官方公告試題的逐題解析裡,有 6 題把擴散模型列為延伸術語,這裡列出 5 題。

立即測驗

想測試你對 擴散模型 的掌握程度?用考古題作答

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:en.wikipedia.org

考試範圍:iPAS AI 應用規劃師評鑑內容範圍參考(115.02 更新),經濟部產業人才能力鑑定,實際考試內容以官方公告為準。

其他格式:Markdown 版本