Diffuusiomalli (diffusion model)
Diffuusiomalli on tekoälymalli, joka luo kuvia, ääntä tai videota poistamalla satunnaista kohinaa askel askeleelta, kunnes lopputulos vastaa annettua kehotetta.
Diffuusiomalli (englanniksi diffusion model) on moderni koneoppimisen menetelmä, jota käytetään ennen kaikkea kuvien, videoiden ja äänien luomiseen. Se synnyttää uutta sisältöä kääntämällä tuhoamisprosessin toisinpäin: malli aloittaa täysin satunnaisesta digitaalisesta kohinasta ja siivoaa sitä vähitellen pois, kunnes kohinan seasta hahmottuu selkeä ja käyttäjän antamaa tekstikehotetta vastaava lopputulos.
Tekniikka muodostaa perustan valtaosalle nykyaikaisista kuva- ja videogeneraattoreista. Se on korvannut monet aiemmat neuroverkkorakenteet, koska diffuusiomenetelmällä tuotetut kuvat ovat poikkeuksellisen tarkkoja, luonnollisia ja yksityiskohtaisia.
Miten diffuusiomalli toimii käytännössä?
Diffuusiomallin toimintaperiaate voidaan jakaa kahteen päävaiheeseen: oppimiseen ja uuden luomiseen. Koko menetelmän taustalla on matemaattinen idea siitä, miten tietoa hävitetään ja miten sitä voidaan palauttaa.
- Etenevä diffuusio (koulutusvaihe): Tekoälylle näytetään valtava määrä tavallisia kuvia. Jokaiseen kuvaan lisätään vähitellen pieniä määriä digitaalista kohinaa, kunnes kuva muuttuu pelkäksi tunnistamattomaksi sumuksi, vähän kuin vanhan television lumisateeksi. Neuroverkko oppii tunnistamaan tarkalleen, millaista kohinaa kuhunkin vaiheeseen lisättiin.
- Käänteinen diffuusio (generointivaihe): Kun käyttäjä pyytää mallia luomaan uuden kuvan, prosessi kulkee päinvastaiseen suuntaan. Malli ottaa tyhjän kohinakentän ja alkaa ennustaa sekä poistaa kohinaa askel kerrallaan. Käyttäjän antama tekstikehote ohjaa tätä siivoustyötä oikeaan suuntaan, jotta satunnaisista pikseleistä muodostuu juuri haluttu aihe.
Käytännön esimerkki suomalaisesta arjesta
Kuvitellaan tamperelainen pieni leipomo ja kahvila, joka suunnittelee mainosjulistetta uutta korvapuustikampanjaansa varten. Yrittäjä haluaa kuvan, jossa vastaleivottu kanelipulla höyryää aamuauringossa perinteisen puupöydän päällä Näsijärven rantamaisemassa.
Kun yrittäjä syöttää tämän kuvauksen kuvaohjelmaan, diffuusiomalli aloittaa työnsä ruudullisesta harmaata lumisadetta. Ensimmäisten askelten aikana malli erottaa kohinasta vain sumeita muotoja: tähän tulee jotain pyöreää ja ruskeaa, taustalle sinistä ja vihreää. Muutaman kymmenen laskenta-askeleen jälkeen kohina väistyy kokonaan, ja esiin nousee valmis, valokuvantarkka mainoskuva kanelipullasta järvimaisemassa. Yrittäjä säästää aikaa ja kuvausjärjestelyiden vaivaa, sillä idea visualisoituu sekunneissa.
Miten diffuusiomallia säädetään käytössä?
Diffuusiomalleja käyttävissä ohjelmistoissa on usein säätimiä, joilla voi vaikuttaa suoraan lopputuloksen laatuun ja tekotapaan. Tärkein näistä on laskenta-askelten määrä (usein englanniksi sampling steps).
Pääsääntö on yksinkertainen: mitä enemmän askeleita malli ottaa kohinan poistamiseksi, sitä tarkempi ja viimeistellympi kuvasta yleensä tulee. Toisaalta suuri askelmäärä vaatii enemmän laskentatehoa ja pidentää odotusaikaa. Tavallisesti hyvä tasapaino löytyy parinkymmenen ja neljänkymmenen askeleen väliltä. Jos askeleita on liian vähän, kuva jää suttuiseksi ja keskeneräiseksi, aivan kuin sumu ei olisi ehtinyt hälventyä kuvan yltä.
Yleinen väärinkäsitys: leikkaa ja liimaa -ajattelu
Yleinen harhaluulo on, että diffuusiomalli hakisi internetistä valmiita kuvia ja yhdistelisi niitä kollaasiksi kuin digitaalinen leikekirja. Tämä ei pidä paikkaansa. Diffuusiomalli ei säilö sisäänsä yhtäkään kokonaista valokuvaa, eikä sillä ole pääsyä kuvapankkeihin generoinnin aikana.
Malli luo jokaisen pikselin aina alusta alkaen puhtaasta kohinasta hyödyntäen oppimiaan sääntöjä valosta, varjoista, tekstuureista ja esineiden suhteista. Tämän ansiosta jokainen luotu kuva on ainutlaatuinen, vaikka sama kehote syötettäisiin ohjelmaan useita kertoja peräkkäin.
Asetukset työkaluissa Midjourney, FLUX, Ideogram, GPT Image ja ComfyUI ennen ja jälkeen -kuvineen: Askelmäärä (sampling steps) parametrisanastossa
Usein kysytyt kysymykset
Miksi diffuusiomallit ovat suositumpia kuin vanhemmat tekoälymallit?
Diffuusiomallit tuottavat huomattavasti vakaampia ja yksityiskohtaisempia kuvia ilman vääristymiä, joita vanhemmat kilpailevat mallit usein aiheuttivat.
Toimiiko diffuusiomalli vain kuvien luomiseen?
Ei pelkästään. Samaa periaatetta käytetään nykyään myös videoiden generoimiseen, puheen ja musiikin tuottamiseen sekä kolmiulotteisten mallien rakentamiseen.
Mitä tarkoittaa kohina diffuusiomallien yhteydessä?
Kohina on täysin satunnaista pikselimössöä, joka muistuttaa vanhan television lumisadetta ja josta ei voi paljaalla silmällä erottaa mitään hahmoja tai kuvioita.
Voiko diffuusiomallia ajaa omalla kotitietokoneella?
Kyllä voi, jos tietokoneessa on riittävän tehokas erillinen näytönohjain, jossa on tarpeeksi grafiikkamuistia mallin laskentakuormaa varten.
