Diffusion và ảnh tạo sinh

Model diffusion (khuếch tán) được huấn luyện bằng một trò chơi đơn giản. Lấy một ảnh thật, thêm chút nhiễu ngẫu nhiên, rồi yêu cầu mạng đoán phần nhiễu vừa được thêm vào. Lặp lại ở mọi mức nhiễu, từ hơi mờ đến toàn hạt nhiễu.

Huấn luyện xong, bạn chạy trò chơi theo chiều ngược lại. Bắt đầu từ nhiễu thuần túy và khử bớt một ít ở mỗi bước. Sau vài chục bước, một bức ảnh hiện ra, trông như lấy từ dữ liệu huấn luyện.

Để làm theo prompt, mạng khử nhiễu còn đọc một text embedding, do một bộ mã hóa văn bản được huấn luyện để nối chữ với hình tạo ra. Mức guidance quyết định model bám sát prompt đến đâu.

Phần lớn hệ thống hiện đại khử nhiễu trong một không gian nén (latent space) chứ không phải trên điểm ảnh gốc, nên rẻ hơn nhiều. Stable Diffusion đã phổ biến cách này. Các model mới hơn thay U-Net ban đầu bằng transformer và dùng phương pháp huấn luyện gần giống như flow matching, nhưng ý tưởng đi từ nhiễu đến ảnh vẫn vậy.

Cùng công cụ ấy cũng tạo ra ảnh giả rất thuyết phục. Nhiều nhà cung cấp nay gắn nhãn nguồn gốc, như chứng nhận nội dung C2PA, hoặc watermark vô hình vào ảnh tạo sinh. Hãy dè chừng ảnh tạo sinh về người thật và sự kiện thật, và kiểm tra giấy phép trước khi dùng model hay sản phẩm của nó cho mục đích thương mại.