Modelo de difusión

Un modelo de difusión (diffusion model) es un tipo de modelo generativo que crea contenido a partir de puro ruido. La idea se entiende en dos fases. En el entrenamiento, se toman millones de imágenes y se les va agregando ruido poco a poco hasta que quedan como estática de televisión; la red neuronal aprende a hacer el camino inverso, es decir, a predecir y quitar el ruido en cada paso. Al generar, se parte de ruido aleatorio y el modelo lo «limpia» paso a paso hasta que aparece una imagen nítida.

Para que la imagen corresponda a lo que pediste, el proceso se guía con una descripción en texto (eso es texto a imagen). Muchos sistemas trabajan en un espacio latente comprimido en lugar de píxel por píxel, lo que abarata el cálculo: es la técnica de «difusión latente» publicada en 2022, base de Stable Diffusion.

Las ideas fundacionales aparecieron en 2015 y se volvieron prácticas con el trabajo de Ho y colaboradores en 2020. Desde entonces, la difusión desplazó en gran medida a las redes generativas antagónicas (GAN) para generar imágenes, y se extendió a video, audio y relleno generativo.

Su desventaja histórica es que requiere muchos pasos, por lo que es más lenta que otros métodos; buena parte de la investigación reciente busca reducirlos. Y como aprende de sus datos, puede reproducir sesgos o estilos con derechos de autor.