拡散モデル

概要

拡散モデル（Diffusion Model）は、「きれいな画像に少しずつノイズを加えて壊していく過程」を逆向きにたどることで、純粋なノイズから画像を生成するモデルです。Stable Diffusion、DALL-E、Midjourney といった画像生成 AI の中核にあるのはすべてこの仕組みで、2022年以降の画像生成ブームを支えた技術です。画像にとどまらず、音声・動画・分子構造の生成にも応用が広がっています。

直感的には「彫刻」に似ています。彫刻家が石の塊から少しずつ余分な部分を削って像を彫り出すように、拡散モデルはランダムなノイズの塊から少しずつノイズを取り除き、数十ステップかけて意味のある画像を「彫り出し」ます。各ステップで「今の画像に乗っているノイズはどれか」を予測するのがニューラルネットワークの仕事であり、この一見遠回りな定式化が、驚くほど高品質で多様な生成を可能にしました。

なぜ生まれたか

拡散モデル以前、画像生成の主役は GAN（敵対的生成ネットワーク）でした。GAN は生成器と識別器という2つのネットワークを競わせて学習しますが、この「競争」の均衡を保つのが非常に難しく、学習が発散したり、生成器が識別器を騙しやすい少数のパターンばかり出力する「モード崩壊」に陥ったりと、安定して訓練すること自体が職人芸でした。一発でノイズから完成画像を出すという構造も、品質と多様性の両立を難しくしていました。

拡散モデルはこの問題を「一発で生成するのをやめる」ことで解決しました。生成という難問を、「わずかなノイズを取り除く」という簡単な問題の数十回の繰り返しに分解したのです。各ステップの学習は単純なノイズ予測の回帰問題であり、GAN のような不安定な競争がなく、機械学習として素直に訓練できます。2020年の DDPM 論文で品質が GAN に並び、2021年には「拡散モデルは GAN を画像品質で超えた」とする論文が出て、生成モデルの主役が交代しました。

詳細

前向き過程と逆過程

拡散モデルは対になる2つの過程で定義されます。前向き過程（forward process）は、学習データの画像に小さなガウスノイズを数百〜千ステップかけて加えていき、最終的に完全なノイズにする過程です。これは計算するだけで学習は不要です。学習するのは逆過程（reverse process）の方で、「ステップ t のノイズ入り画像を見て、加えられたノイズを予測する」ネットワーク（U-Net や近年は Transformer ベースの DiT）を訓練します。生成時は純粋なノイズから出発し、このネットワークで予測したノイズを少しずつ引き算しながら逆向きにステップを進め、画像を復元していきます。

「テキストから画像を生成する」機能は、この逆過程を条件付けることで実現します。プロンプトのテキストを埋め込みに変換し、各ステップのノイズ予測に注意機構（cross-attention）経由で参照させることで、「猫の絵になる方向」へノイズ除去を誘導するのです。条件の効き具合を調整する classifier-free guidance という手法により、プロンプトへの忠実さと画像の自然さのバランスを制御します。

潜在拡散 — Stable Diffusionの工夫

素朴に実装すると、高解像度画像のピクセル空間で数十ステップの推論を回すことになり、計算コストが膨大です。2022年の Stable Diffusion（潜在拡散モデル、LDM）の貢献は、拡散を行う場所を変えたことでした。まず VAE（変分オートエンコーダ）で画像を数十分の一のサイズの「潜在表現」に圧縮し、その小さな潜在空間で拡散・逆拡散を行い、最後に VAE で画像に復元します。これにより計算量が劇的に減り、コンシューマ向け GPU でも動くようになりました。モデルとコードがオープンに公開されたことも相まって、画像生成が一気に一般へ普及した転換点です。

GANとの対比と使い分け

GAN との違いを整理すると、拡散モデルは「学習が安定し、多様性と品質が高い」代わりに「生成に多数のステップが必要で遅い」、GAN は「一発生成で高速」だが「学習が不安定でモード崩壊しやすい」という関係です。この速度の弱点に対しては、逆過程のステップ数を減らすサンプラーの改良（DDIM など）や、多ステップの拡散モデルを少ステップ・一発生成に蒸留する手法（LCM、一貫性モデルなど）が発展し、現在ではリアルタイムに近い生成も可能になっています。

応用の広がりと実務の論点

拡散モデルの応用は静止画にとどまりません。動画生成（Sora など）、音声・音楽生成、さらには創薬におけるタンパク質構造生成にも同じ枠組みが使われています。テキスト・画像・音声をまたぐ生成 AI の一角として、マルチモーダル化の流れの中核にある技術です。実務で扱う際の論点としては、推論コスト（ステップ数×モデルサイズで、量子化や蒸留による軽量化が実用上重要）、生成結果の再現性（シードとサンプラー設定の固定が必要）、そして学習データの著作権や生成物の権利といった法的・倫理的問題が挙げられます。特に最後の点は技術で解決しきれない領域であり、商用利用時にはモデルのライセンスと学習データの出自を確認することが欠かせません。