Modelo de difusión

Los modelos de difusión funcionan aprendiendo a revertir un proceso de adición de ruido. Durante el entrenamiento, las imágenes limpias se corrompen progresivamente agregando ruido gaussiano en cada paso hasta que solo queda ruido aleatorio. Luego, el modelo aprende a predecir y eliminar el ruido en cada paso, aprendiendo efectivamente a reconstruir imágenes a partir del ruido. Durante la generación, el proceso comienza con ruido aleatorio puro y lo elimina iterativamente hasta convertirlo en una imagen coherente y detallada. Cada paso de eliminación de ruido refina aún más la imagen, progresando desde formas y colores amplios hasta detalles y texturas finos.\n\nUn arquitecto que utiliza una herramienta basada en modelos de difusión puede generar conceptos de diseño de interiores fotorrealistas. A partir de una descripción textual de una cocina moderna con encimeras de mármol, el modelo comienza con ruido aleatorio y progresivamente lo resuelve en una visualización arquitectónica detallada. La naturaleza iterativa del proceso permite que el modelo mantenga la coherencia global (perspectiva correcta, iluminación consistente) mientras agrega detalles locales (vetas de mármol, herrajes para gabinetes, lechada de azulejos) en pasos posteriores.\n\nLos modelos de difusión representan un avance significativo con respecto a los enfoques generativos anteriores. Las Redes Adversarias Generativas (GAN), el estado de la técnica anterior, a veces producían un colapso de modo (generando una variedad limitada) o inestabilidad en el entrenamiento. Los modelos de difusión se entrenan de manera más estable, producen una mayor diversidad y ofrecen un mejor control sobre el proceso de generación. Naturalmente, también admiten operaciones de edición como pintura interior y exterior al condicionar el proceso de eliminación de ruido en regiones de imagen existentes.\n\nLas capacidades de inteligencia artificial de Magic Eraser están impulsadas por tecnología de modelo de difusión. Cuando la herramienta rellena áreas después de la eliminación de objetos, genera nuevo contenido de fondo o crea extensiones de imagen, utiliza la eliminación de ruido iterativa para producir contenido fotorrealista y contextualmente consistente con la imagen circundante. El proceso de refinamiento iterativo permite que el modelo corrija sus propios errores en cada paso, mejorando progresivamente la coherencia y el detalle del contenido generado de una manera que los métodos de generación de un solo paso no pueden lograr, razón por la cual los enfoques basados ​​en difusión producen notablemente menos artefactos visuales y resultados más consistentes.