Từ tiếng ồn đến hình ảnh – hướng dẫn tương tác để khuếch tán

Điều kỳ diệu đằng sau hình ảnh AI bắt đầu bằng tĩnh thuần túy

Hãy mở bất kỳ nguồn cấp dữ liệu mạng xã hội nào ngay hôm nay và bạn sẽ bắt gặp những hình ảnh chưa từng tồn tại trước khi một cỗ máy mơ ước chúng xuất hiện. Một con mèo chân thực như ảnh chụp mặc trang phục phi hành gia, một mô hình sản phẩm cho một thương hiệu mới ra mắt ngày hôm qua, một bản vẽ kiến ​​trúc của một tòa nhà vẫn còn mắc kẹt trong trí tưởng tượng của kiến ​​trúc sư - tất cả đều được gợi lên bởi các mô hình khuếch tán trong vài giây. Chỉ riêng trong năm 2025, ước tính có khoảng 15 tỷ hình ảnh được tạo ra bằng các công cụ AI được xây dựng trên công nghệ khuếch tán, định hình lại về cơ bản cách các doanh nghiệp tạo ra nội dung trực quan. Nhưng bên dưới mỗi kết quả tuyệt vời là một quá trình phản trực giác: AI học cách sáng tạo bằng cách làm chủ sự hủy diệt trước tiên. Hiểu cách thức hoạt động của sự lan truyền không còn là câu đố tùy chọn đối với những người đam mê công nghệ - đó là kiến ​​thức thực tế dành cho bất kỳ chủ doanh nghiệp, nhà tiếp thị hoặc người sáng tạo nào muốn tận dụng AI trực quan có mục đích thay vì niềm tin mù quáng.

Khuếch tán thực sự có ý nghĩa gì - Và tại sao tiếng ồn là điểm khởi đầu

Thuật ngữ "khuếch tán" mượn từ nhiệt động lực học, trong đó các phân tử lan truyền từ khu vực có nồng độ cao đến nơi có nồng độ thấp cho đến khi mọi thứ đạt đến trạng thái cân bằng - về cơ bản, trật tự tan biến thành hỗn loạn. Trong thế hệ hình ảnh AI, khái niệm này hoạt động giống hệt nhau nhưng ngược lại. Đầu tiên, mô hình học cách thêm nhiễu vào hình ảnh một cách có hệ thống, biến một bức ảnh sắc nét thành tĩnh thuần túy qua hàng trăm bước. Sau đó, nó huấn luyện mạng lưới thần kinh để đảo ngược từng bước, dần dần khôi phục cấu trúc từ trạng thái ngẫu nhiên.

Hãy nghĩ về nó giống như xem một mandala cát bị cuốn đi từng hạt, sau đó phát lại đoạn phim. Quá trình chuyển tiếp - được gọi là lịch trình nhiễu - tuân theo một quỹ đạo toán học chính xác, điển hình là chuỗi Markov trong đó mỗi bước chỉ phụ thuộc vào bước trước đó. Đến bước cuối cùng, hình ảnh gốc không thể phân biệt được về mặt thống kê với nhiễu Gaussian ngẫu nhiên. Công việc của mạng lưới thần kinh trong quá trình huấn luyện rất đơn giản: đưa ra một hình ảnh nhiễu ở bất kỳ bước nào, hãy dự đoán nhiễu được thêm vào. Làm điều này đủ tốt trên hàng triệu hình ảnh và bạn có một chiếc máy có thể tạo ra tín hiệu từ tĩnh.

Cách tiếp cận này, được chính thức hóa trong bài báo năm 2020 "Mô hình xác suất khuếch tán khử nhiễu" của Ho, Jain và Sohl-Dickerson, vượt trội hơn GAN (Mạng đối thủ sáng tạo) về chất lượng hình ảnh trong khi đào tạo ổn định hơn nhiều. Khi GAN đưa hai mạng chống lại nhau trong một vũ điệu đối nghịch mong manh, các mô hình phổ biến tuân theo một đường cong học tập ổn định, có thể dự đoán được — một chi tiết vô cùng quan trọng khi các doanh nghiệp phụ thuộc vào đầu ra ổn định, đáng tin cậy.

Quá trình chuyển tiếp: Phá hủy một hình ảnh trong 1.000 bước

Trong quá trình đào tạo, mô hình sẽ chụp một hình ảnh rõ ràng — chẳng hạn như ảnh sản phẩm có độ phân giải cao — và thêm một lượng nhỏ nhiễu Gaussian ở mỗi dấu thời gian. Ở bước 1, bạn có thể nhận thấy hạt mờ. Ở bước 200, hình ảnh trông giống như một màu nước mờ đằng sau tấm kính mờ. Ở bước 500, chỉ có các đốm màu mơ hồ gợi ý về bố cục ban đầu. Đến bước 1.000, mọi pixel đều là nhiễu ngẫu nhiên thuần túy và mắt người không thể phục hồi được thông tin nào.

Điểm hay về mặt toán học ở đây là bạn không thực sự cần phải chạy tuần tự tất cả 1.000 bước. Thuộc tính của nhiễu Gaussian cho phép bạn chuyển trực tiếp đến bất kỳ dấu thời gian nào bằng phương trình dạng đóng. Bạn muốn xem hình ảnh ở bước 743 trông như thế nào? Một phép tính sẽ đưa bạn đến đó. Phím tắt này rất quan trọng đối với hiệu quả đào tạo — mô hình lấy mẫu các dấu thời gian ngẫu nhiên thay vì xử lý từng dấu thời gian đơn lẻ, giúp việc đào tạo trên các tập dữ liệu chứa hàng trăm triệu hình ảnh trở nên khả thi.

Mỗi bước được điều chỉnh bởi một lịch trình thay đổi (thường được gọi là lịch trình beta) để kiểm soát lượng nhiễu được thêm vào. Các mô hình khuếch tán ban đầu sử dụng lịch trình tuyến tính, nhưng các nhà nghiên cứu tại OpenAI đã phát hiện ra rằng lịch trình cosine lưu giữ nhiều thông tin hình ảnh hơn ở các bước thời gian ở giữa, mang lại cho mô hình tín hiệu đào tạo phong phú hơn. Những lựa chọn kỹ thuật tưởng chừng như nhỏ này lại có tác động lớn đến chất lượng đầu ra

Related Posts

• Hành Trình Mật Mã của DJB: Từ Anh Hùng Code Đến Kẻ Phá Rối Tiêu Chuẩn
• Công cụ hộp cát dòng lệnh ít được biết đến của macOS (2025)
• Cựu công nghệ -> Người vô gia cư ở SF
• CXMT đã cung cấp chip DDR4 với giá chỉ bằng một nửa giá thị trường hiện hành

1. Hình ảnh AI đến gần?

2. Tôi cần nhận hình ảnh tự nhiên?