확산 모델

확산 모델은 잡음 추가 과정을 역전시키는 방법을 학습하여 작동합니다. 훈련 중에는 무작위 노이즈만 남을 때까지 각 단계에서 가우스 노이즈를 추가하여 깨끗한 이미지가 점진적으로 손상됩니다. 그런 다음 모델은 각 단계에서 노이즈를 예측하고 제거하는 방법을 학습하여 노이즈로부터 이미지를 재구성하는 방법을 효과적으로 학습합니다. 생성하는 동안 프로세스는 순수한 무작위 노이즈로 시작하여 반복적으로 노이즈를 제거하여 일관되고 상세한 이미지로 만듭니다. 각 노이즈 제거 단계는 넓은 모양과 색상에서 미세한 디테일과 질감으로 진행하여 이미지를 더욱 개선합니다.\n\n확산 모델 기반 도구를 사용하는 건축가는 사실적인 인테리어 디자인 컨셉을 생성할 수 있습니다. 대리석 조리대가 있는 현대식 주방에 대한 텍스트 설명에서 시작하여 모델은 임의의 소음으로 시작하여 점진적으로 이를 상세한 건축 시각화로 해결합니다. 프로세스의 반복적 특성을 통해 모델은 이후 단계에서 로컬 세부 사항(대리석 그레인, 캐비닛 하드웨어, 타일 그라우트)을 추가하는 동시에 전체적인 일관성(올바른 관점, 일관된 조명)을 유지할 수 있습니다.\n\n확산 모델은 이전 생성 접근 방식에 비해 상당한 발전을 나타냅니다. 이전의 최첨단 기술인 생성적 적대 신경망(GAN)은 때때로 모드 붕괴(제한된 다양성 생성) 또는 훈련 불안정성을 초래했습니다. 확산 모델은 보다 안정적으로 훈련하고, 더 높은 다양성을 생성하며, 생성 프로세스에 대한 더 나은 제어 기능을 제공합니다. 또한 기존 이미지 영역의 노이즈 제거 프로세스를 조정하여 인페인팅 및 아웃페인팅과 같은 편집 작업을 자연스럽게 지원합니다.\n\nMagic Eraser의 AI 기능은 확산 모델 기술을 기반으로 합니다. 도구가 객체 제거 후 영역을 채우거나, 새로운 배경 콘텐츠를 생성하거나, 이미지 확장을 생성할 때 반복적 노이즈 제거를 사용하여 주변 이미지와 상황에 맞게 사실적이고 일관된 콘텐츠를 생성합니다. 반복적 개선 프로세스를 통해 모델은 각 단계에서 자체 실수를 수정하고 단일 패스 생성 방법으로는 달성할 수 없는 방식으로 생성된 콘텐츠의 일관성과 세부 사항을 점진적으로 개선할 수 있습니다. 이것이 바로 확산 기반 접근 방식이 눈에 띄게 적은 시각적 아티팩트와 보다 일관된 결과를 생성하는 이유입니다.