Diffusion model (diffusiemodel)
Een diffusiemodel is een AI-model dat beelden, video of audio genereert door willekeurige digitale ruis stap voor stap om te zetten in een scherp eindresultaat.
Een diffusion model (of diffusiemodel in het Nederlands) is een type kunstmatige intelligentie dat nieuwe gegevens zoals afbeeldingen, geluidsfragmenten of video's creëert vanuit pure chaos. In tegenstelling tot oudere AI-technieken leert een diffusiemodel hoe het een proces van gecontroleerde vernietiging kan omdraaien: het begint met een scherm vol willekeurige digitale ruis en poetst deze stap voor stap weg totdat er een helder beeld overblijft dat exact aansluit bij een ingevoerde tekstprompt.
Deze technologie vormt het kloppend hart van de moderne generatieve AI voor beeld en multimedia. Waar creatieve software vroeger patronen direct probeerde te kopiëren of tegen elkaar liet strijden in een complex spel, bootsen diffusiemodellen een natuurlijk natuurkundig proces na. Ze halen geleidelijk de mist weg tot de uiteindelijke compositie zichtbaar wordt.
Hoe werkt het diffusieproces precies?
Om te begrijpen hoe een diffusiemodel werkt, helpt het om naar de trainingsfase te kijken. Tijdens het trainen krijgt het model duizenden duidelijke foto's te zien. Aan elke foto voegt het systeem in kleine stapjes steeds meer digitale korrels (ruis) toe, totdat de oorspronkelijke afbeelding volledig onherkenbaar is geworden en enkel statische sneeuw overblijft. Het neurale netwerk leert bij elke tussenstap heel nauwkeurig hoe die specifieke ruis eruitziet en hoe deze kan worden teruggedraaid.
Wanneer een gebruiker vervolgens een opdracht geeft om iets nieuws te maken, gebeurt het omgekeerde proces:
- Het model start met een leeg canvas gevuld met volstrekt willekeurige ruis.
- Aan de hand van de tekstprompt voorspelt het model welke deeltjes ruis niet thuishoren in de gewenste voorstelling.
- Het systeem trekt een fractie van de berekende ruis af, waardoor vage contouren ontstaan.
- Deze stap wordt tientallen keren herhaald in zogeheten denoising steps, totdat elk detail, van lichtinval tot textuur, scherp op zijn plek valt.
Een herkenbaar praktijkvoorbeeld: De lokale etalage
Stel dat een grafisch vormgever in Gent of Utrecht een affiche moet ontwerpen voor een ambachtelijke bakkerij. De bakker wil een herfstcampagne met een zuurdesembrood op een rustieke houten tafel, omringd door eikels en warm ochtendlicht door een beslagen raam. In plaats van een fotoshoot te organiseren, voert de ontwerper deze beschrijving in bij een beelddetectie- en generatietool gebaseerd op diffusie.
Het model begint met een wolk van gekleurde puntjes. In de eerste paar stappen herkent het model waar grofweg het ronde brood en het raam moeten komen. Na twintig stappen tekent de knapperige korst van het brood zich af. Na veertig stappen reflecteert het zachte ochtendlicht natuurgetrouw op het meel dat over de tafel is gestrooid. Binnen enkele seconden heeft de vormgever een op maat gemaakt beeld voor de Vlaamse of Nederlandse etalage.
Ruisstappen en rekentijd balanceren
Wie werkt met diffusiemodellen, komt al snel instellingen tegen zoals steps of sampling steps. De vuistregel is eenvoudig: hoe meer ontruisingsstappen het model mag zetten, hoe verfijnder en gedetailleerder het beeld over het algemeen wordt. Het model krijgt immers meer kansen om foutjes en onlogische patronen weg te poetsen.
Toch zit hier een duidelijke grens aan. Meer stappen kosten evenredig meer rekenkracht van de grafische kaart en maken het proces merkbaar trager. Boven een bepaald aantal stappen verandert het beeld nauwelijks nog en loop je zelfs het risico dat het resultaat overbewerkte, onnatuurlijke randen krijgt. Het vinden van een goede balans tussen snelheid en beeldkwaliteit is een van de belangrijkste praktische vaardigheden bij het aansturen van deze modellen.
Veelgemaakte fouten bij het gebruik
Een hardnekkig misverstand is de aanname dat een diffusiemodel bestaande afbeeldingen uit een database knipt en aan elkaar plakt. Wie een prompt invoert alsof het een zoekopdracht in een beeldbank is met losse trefwoorden, krijgt vaak teleurstellende resultaten. Het model begrijpt relaties tussen concepten, compositie en stijl. Een beschrijving die de sfeer, belichting en ruimtelijke ordening benoemt, leidt tot een veel consistenter ontruisingsproces dan een willekeurige lijst met losse termen.
Instellen in Midjourney, FLUX, Ideogram, GPT Image en ComfyUI, met voor-en-na-beelden: Sampling steps (aantal stappen) in het parameteroverzicht
Veelgestelde vragen
Wat is het verschil tussen een diffusion model en een GAN?
Oudere beeldsystemen zoals GANs lieten twee netwerken tegen elkaar strijden, wat vaak leidde tot instabiele resultaten. Diffusiemodellen werken via een geleidelijk proces van ruisverwijdering, wat zorgt voor een veel grotere diversiteit, meer detail en stabielere generaties.
Waarom duurt het genereren met een diffusiemodel soms lang?
Omdat het model het beeld niet in een keer tekent, maar tientallen keren achter elkaar een berekening moet maken om per stap een klein beetje ruis te verwijderen. Elk tussenstapje vraagt rekenkracht van de computer.
Kunnen diffusiemodellen ook tekst of audio maken?
Ja. Hoewel ze het bekendst zijn van afbeeldingen, worden diffusiemodellen tegenwoordig ook volop gebruikt voor het genereren van realistische stemmen, muziekfragmenten en korte videoclips door geluidsgolven of videoframes stap voor stap te ontruisen.
