Diffusionsmodell (diffusion)
En diffusionsmodell är en typ av AI som skapar bilder, ljud eller video genom att gradvis rensa bort digitalt brus tills ett tydligt motiv växer fram.
En diffusionsmodell är en typ av generativ artificiell intelligens som skapar nytt material, framför allt bilder men även rörlig bild och ljud, genom att successivt ta bort slumpmässigt brus. Istället för att rita upp en bild linje för linje eller klistra ihop befintliga foton börjar modellen med en helt kaotisk samling pixlar och förvandlar den steg för steg till en sammanhängande illustration eller ett fotografi som matchar användarens textinstruktion.
Tekniken har blivit standarden bakom modern bildgenerering. Den gör det möjligt att tolka komplexa beskrivningar på naturligt språk och översätta dem till visuella detaljer med realistiskt ljus, naturliga skuggor och trovärdiga proportioner.
Från digitalt kaos till ordning: så fungerar processen
För att förstå hur en diffusionsmodell fungerar kan man föreställa sig en skulptör som ser en figur inuti ett oarbetat stenblock. Under träningen får modellen se miljontals bilder som långsamt förstörs genom att slumpmässigt brus läggs till i flera steg, tills bara ett mönster som liknar myrornas krig på en gammal tv-skärm återstår. Modellen tränas på att förstå exakt hur detta brus lades till och hur man backar processen.
När du ber modellen generera en ny bild gör den hela resan baklänges:
- Start i totalt brus: Processen inleds med en canvas fylld av ren slump.
- Riktad avbrusning: Modellen analyserar bruset tillsammans med din textbeskrivning och gissar vilka delar som bör förstärkas eller dämpas.
- Upprepade steg: Genom en serie matematiska beräkningar skalas bruset bort lager för lager.
- Färdigt resultat: Grova former renodlas till konturer, texturer och reflexer tills en skarp bild är klar.
Ett vardagligt exempel från en svensk småstad
Tänk dig en liten keramikstudio i Mora som planerar sin årliga höstmarknad. Ägaren behöver en affisch som visar en stengodskopp med rykande kaffe mot en bakgrund av frostiga lingonris och morgonljus. Istället för att hyra in en fotograf eller leta efter generiska stockbilder skriver keramikern in denna exakta scen i ett bildverktyg baserat på en diffusionsmodell.
Verktyget skapar en ruta full av grått brus. I de första beräkningsstegen ser det fortfarande ut som dimma, men modellen börjar ana var koppen ska stå i förhållande till ljuskällan. Några steg senare framträder formen av ett runt öra, glasyrens glans och det mjuka lingonriset. På några sekunder har det slumpmässiga bruset formats till en unik bild som fångar stämningen i Dalarna utan att en enda verklig kamera har använts.
Antalet steg avgör balansgången mellan tid och detalj
En central inställning i verktyg som bygger på diffusionsmodeller är antalet beräkningssteg, ofta kallat samplingssteg. Varje steg innebär att modellen gör en ny analys av bilden och tar bort ytterligare ett lager brus. Här finns en tydlig avvägning:
Få steg gör att bilden genereras blixtsnabbt, men resultatet kan bli suddigt eller sakna viktiga detaljer som textur i tyg eller blänk i ögon. Fler steg ger modellen mer tid att förfina skärpa och smådetaljer, men processen tar längre tid och kräver mer datorkraft. I praktiken finns det en gräns där ytterligare steg inte längre förbättrar bilden, utan bara flyttar runt mikroskopiska detaljer utan märkbar skillnad för det mänskliga ögat.
Ett vanligt missförstånd om hur bilderna skapas
Ett utbrett missförstånd är att diffusionsmodeller fungerar som ett avancerat kollageverktyg som klipper ut element från verkliga fotografier på internet och klistrar ihop dem. Det stämmer inte. Modellen sparar inga bildfiler i sitt minne. Den har enbart lärt sig statistiska samband: hur ljus brukar falla på keramik, hur reflekterande ytor beter sig eller vilka färgskiftningar som uppstår i en skog i gryningen. Bilden skapas helt från grunden ur det digitala bruset vid varje enskild körning.
Så ställer du in det i Midjourney, FLUX, Ideogram, GPT Image och ComfyUI, med före- och efterbilder: Samplingssteg (steps) i parameterordlistan
Vanliga frågor
Varför tar det några sekunder för en diffusionsmodell att visa en bild?
Modellen kan inte skapa bilden i ett enda moment, utan måste räkna bort bruset steg för steg i en matematisk kedja för att nå full skärpa.
Kan diffusionsmodeller användas till annat än bilder?
Ja, samma grundprincip används framgångsrikt för att skapa rörlig video, ljudeffekter, musik och tal genom att avbrusa sekvenser över tid.
Vad händer om jag använder för få steg vid genereringen?
Bilden riskerar att se ofärdig ut med utsmetade texturer, konstiga deformationer och kvarvarande grynighet eftersom bruset inte hunnit rensas bort ordentligt.
