Диффузионная модель — что это, как работает и примеры

Что такое диффузионная модель?

Диффузионная модель — это генеративная модель машинного обучения, которая превращает случайный шум в структурированные данные, например в изображение. Название пришло из физики: идею предложили Соль-Дикштейн и коллеги в статье 2015 года по неравновесной термодинамике, и она повторяет то, как частицы диффундируют и рассеиваются со временем. В AI модель учится ровно обратному — как «прокрутить» диффузию назад, вытягивая связную картинку из поля статического шума. Современные text-to-image инструменты — это диффузионные модели, обусловленные текстовым запросом, поэтому расшумление направляется к тому, что вы описали.

Как работает диффузионная модель: прямой и обратный процесс

У любой диффузионной модели есть два процесса. Прямой процесс — это фиксированный рецепт: он берёт реальное обучающее изображение и много шагов подряд добавляет немного гауссова шума, пока не останется один статический шум. Обратный процесс — это то, что сеть реально обучается делать: на каждом шаге она предсказывает добавленный шум и вычитает его, так что изображение постепенно проявляется. Прорывом, сделавшим это практичным, стала статья DDPM 2020 года (Denoising Diffusion Probabilistic Models), показавшая, что обратный процесс можно обучать стабильно и получать фотореалистичные результаты.

См. основополагающую статью 2015 года по адресу arxiv.org/abs/1503.03585 и статью DDPM 2020 года по адресу arxiv.org/abs/2006.11239.

Латентная диффузия: почему она стала быстрой для всех

Ранние диффузионные модели расшумляли изображение прямо в пространстве пикселей — это было медленно и прожорливо по памяти. Статья о латентной диффузии 2022 года — основа Stable Diffusion — перенесла весь процесс в сжатое латентное пространство с помощью автоэнкодера, сократив вычислительную стоимость примерно на порядок. Именно это изменение и вызвало взрыв доступной text-to-image генерации в 2022–2023 годах. Несколько цифр показывают компромиссы наглядно:

• Шаги семплирования: ранним моделям нужно было ~1000 шагов расшумления; современные семплеры (DPM++, дистилляция) дают хорошие изображения за 4–30 шагов.
• Латентное пространство: Stable Diffusion работает с латентом 64×64 вместо изображения 512×512 — это примерно в 48 раз меньше значений на каждый шаг.
• Guidance scale (CFG): регулятор, обычно 3–12, который управляет тем, насколько строго модель следует вашему запросу против «естественности».
• Диффузия работает и с видео: модели 2026 года вроде Sora, Veo и Kling используют диффузионные трансформеры, чтобы расшумлять последовательности кадров.

Диффузия против GAN и других подходов

До диффузии главным способом генерировать изображения были GAN (генеративно-состязательные сети). GAN быстры на инференсе, но печально известны нестабильностью обучения и «коллапсом мод», когда выдают ограниченное разнообразие. Диффузионные модели обучаются стабильно, покрывают всё разнообразие данных и чисто масштабируются на огромные датасеты — поэтому почти каждый передовой генератор изображений и видео перешёл на диффузию. Плата за это — несколько шагов расшумления на изображение, поэтому много исследований 2026 года посвящено дистилляции шагов, чтобы сделать диффузию такой же быстрой, как GAN, сохранив качество.

Как Twin AI использует диффузионные модели

Twin AI построен на диффузионных моделях — вы пользуетесь ими при каждой генерации. Когда вы открываете /create/photo или выбираете шаблон в /photoshoots, ваш запрос уходит в диффузионную модель, которая расшумляет изображение до готового результата. Twin запускает несколько ведущих диффузионных движков рядом, включая /alternatives/stable-diffusion, /alternatives/flux-2-pro и Nano Banana, так что вы можете сравнивать результаты в /compare/midjourney-vs-flux без отдельных аккаунтов. Twin также обучает персональный адаптер вашего лица в стиле /glossary/lora, чтобы эти диффузионные модели помещали консистентного вас в любую сцену. Всё оплачивается российской картой или через СБП, VPN не нужен. Начните бесплатно в /create/photo.