تخيّل نحّاتاً يبدأ من كتلة رخام مشوّشة — ضجيج خالص — ثم يزيل الغبار حركةً بعد أخرى حتى تنكشف صورة واضحة. هذا تماماً هو الحدس وراء نموذج الانتشار: عائلة من النماذج التوليدية تتعلّم عكس عملية تشويه تدريجية. إنها التقنية التي تشغّل DALL·E 2 وStable Diffusion وMidjourney وImagen.
عمليتان متعاكستان
يقوم نموذج الانتشار على مسارين متضادّين:
- العملية الأمامية (الانتشار): يُضاف ضجيج غاوسي إلى صورة حقيقية خطوةً بخطوة، حتى تتحوّل إلى ضجيج خالص لا يمكن تمييزه. هذه العملية ثابتة ولا تُتعلَّم.
- العملية العكسية (إزالة الضجيج): تتعلّم شبكة عصبية (غالباً U-Net) التنبّؤ بالضجيج وإزالته في كل خطوة، فتعيد بناء صورة متماسكة انطلاقاً من الفوضى تدريجياً.
يمكن كتابة إضافة الضجيج عند الخطوة $t$ كالآتي:
$$ x_t = \sqrt{\bar{\alpha}_t}\, x_0 + \sqrt{1 - \bar{\alpha}_t}\, \epsilon, \quad \epsilon \sim \mathcal{N}(0, I) $$
تُدرَّب الشبكة على التنبّؤ بهذا الضجيج $\epsilon$، عبر تقليل الفرق بين الضجيج الحقيقي والمتنبَّأ به.
لماذا يهيمن على توليد الصور
| المعيار | الانتشار | GAN |
|---|---|---|
| استقرار التدريب | عالٍ | غير مستقر غالباً |
| تنوّع الصور | ممتاز | خطر انهيار الأنماط |
| سرعة التوليد | بطيئة (متعدّدة الخطوات) | سريعة (مرور واحد) |
| الجودة / التحكّم | دقيقة جداً | متغيّرة |
يتحقّق التوليد المشروط بالنص بتوجيه عملية إزالة الضجيج عبر تمثيل متجهي للوصف النصي (باستخدام CLIP مثلاً)، ويُعزَّز غالباً بتقنية classifier-free guidance.
عبقرية الانتشار: تحويل الإبداع إلى سلسلة من مسائل إزالة ضجيج صغيرة، كلٌّ منها أبسط بكثير من رسم صورة كاملة دفعةً واحدة.