拡散モデル（ディフュージョン）とは？画像生成AIがノイズから絵を作るしくみをやさしく解説

画像生成AIに「夕焼けの海辺を歩く猫」と頼むと、数十秒でそれらしい絵が出てきます。あの仕組みの心臓部が拡散モデル（ディフュージョンモデル）です。名前は難しそうですが、原理は「砂嵐のようなノイズから、少しずつ絵を掘り出していく」という一つのアイデアに尽きます。この記事では、数式を使わずにその仕組みと、なぜこの方式が画像生成の主流になったのかを解説します。

基本アイデア：壊し方を学べば、直し方が分かる

拡散モデルの訓練は少し変わっています。まず本物の写真に少しずつノイズ（ざらざらの乱れ）を足していき、最後には完全な砂嵐にしてしまいます。AIに学ばせるのはその逆再生、つまり「このノイズだらけの画像から、一段階だけノイズを取り除くとどうなるか」です。壊れていく過程を大量に見せることで、直し方（ノイズの取り除き方）を身につけさせるわけです。

生成のとき：砂嵐から始めて何十回も「除去」する

絵を作るときは、完全にランダムな砂嵐からスタートします。そこに訓練済みの「ノイズ除去」を何十回も繰り返し適用すると、砂嵐の中から輪郭が浮かび、質感が乗り、最終的に一枚の絵に収束します。彫刻家が石の塊から像を掘り出す作業に近いイメージです。一発で完成品を出すのではなく、段階的に精度を上げていくのが拡散方式の本質です。

プロンプトはどう効くのか——「条件付け」の仕組み

「夕焼けの海辺の猫」という指示は、各ステップのノイズ除去に方向付け（条件付け）として渡されます。テキストを数値の表現に変換し、「この方向の絵になるようにノイズを取り除け」と毎回ささやき続けるイメージです。だからプロンプトを変えると、同じ砂嵐から全く違う絵が掘り出されます。

なぜ主流になったのか——多様性と品質の両立

拡散モデル以前にも画像生成の方式はありました（GANなど）。拡散方式が勝った理由は主に3つです。①出力が多様（同じ指示でも毎回違う絵が出る）、②品質が安定（訓練が破綻しにくい）、③条件付けが柔軟（テキストだけでなく、下絵や構図指定でも誘導できる）。現在の主要な画像生成サービスの多くが、この系統の技術を土台にしています。

「潜在拡散」——計算を軽くする工夫

写真のピクセル全部にノイズ除去を繰り返すのは計算量が膨大です。そこで現在の主流は、画像をいったん圧縮された特徴の空間（潜在空間）に移してから拡散処理を行い、最後にピクセルに戻す「潜在拡散」という方式です。処理する情報量が桁違いに減るため、一般のPCやスマホでも動く軽さが実現しました。

弱点も知っておく

• 文字が苦手：看板やロゴの文字が崩れがちです（改善は進行中）。
• 細部の整合性：指の本数や物の重なりなど、「全体はそれらしいが細部が変」という失敗が起きます。
• 速度：何十回もの除去ステップが必要なため、一発生成の方式より原理的に遅く、高速化の研究が続いています。

なお、この技術は画像にとどまらず、動画生成や音楽生成にも同じ発想が使われています。

自主学習(FAQ)

拡散モデルはChatGPTと同じ仕組みですか？

違います。ChatGPTのような言語モデルは「次の単語を予測する」方式（自己回帰型）で、文章を頭から順に作ります。拡散モデルは全体を一度に持ち、段階的に精細化していく方式です。得意分野が異なる、別系統の技術です。

同じプロンプトなのに毎回絵が違うのはなぜ？

出発点の砂嵐（ランダムノイズ）が毎回違うからです。出発点を固定（シード指定）できるサービスなら、同じプロンプトから同じ絵を再現できます。

学習に使われた画像はどう関係しますか？

モデルは訓練画像から「ノイズの取り除き方＝画像の作られ方の傾向」を学びます。元画像をそのまま保存して切り貼りしているわけではありませんが、訓練データの著作権をめぐる議論は世界的に続いており、商用利用では各サービスの利用規約の確認が必要です。

AI学びラボの関連記事：画像生成AIの選び方 ・ 量子化とは？AIモデルを軽くする仕組み