Mô Hình Khuếch Tán Là Gì? Cách AI Tạo Ảnh Từ Nhiễu Qua Từng Bước

Updated · By Viviai

Mô hình khuếch tán (diffusion model) là một loại mô hình tạo sinh trong học máy có khả năng tạo ra dữ liệu mới, chẳng hạn như hình ảnh, bằng cách học cách thêm nhiễu vào dữ liệu rồi luyện một mạng nơ-ron để đảo ngược quá trình đó. Sau khi huấn luyện, mô hình bắt đầu từ nhiễu ngẫu nhiên và khử nhiễu dần dần để tạo ra một ảnh trông thực tế. Đây là kỹ thuật đứng sau nhiều công cụ tạo ảnh bằng văn bản hiện nay.

Ý tưởng cốt lõi

Mô hình khuếch tán mô phỏng một quá trình hai chiều:

Quá trình Điều gì xảy ra Kết quả
Khuếch tán thuận (forward) Thêm nhiễu Gaussian từng bước vào dữ liệu Dữ liệu trở thành nhiễu thuần túy
Khuếch tán ngược (reverse) Khử nhiễu dần dần qua mạng nơ-ron Tạo ra dữ liệu mới rõ ràng

Quá trình khuếch tán thuận

Một ảnh sạch được thêm một lượng nhỏ nhiễu Gaussian qua nhiều bước cho đến khi không còn nhận ra ảnh gốc. Nếu số bước (T) đủ lớn, ảnh ở bước cuối xấp xỉ nhiễu chuẩn ( \mathcal{N}(0, I) ), tức là gần như không còn thông tin về ảnh ban đầu.

Quá trình khuếch tán ngược

Mục tiêu là đảo ngược quá trình thuận: bắt đầu từ nhiễu thuần túy (x_T) và khử nhiễu qua từng bước để thu được một mẫu mới (x_0) tương tự phân phối dữ liệu gốc. Mỗi bước ngược chỉ cần khử một lượng nhiễu nhỏ và có thể xem xấp xỉ dưới dạng Gaussian.

Mô hình học như thế nào

Công thức thêm nhiễu

Quá trình thuận được định nghĩa bằng công thức truy hồi:

[ x_t = \sqrt{1-\beta_t}\,x_{t-1} + \sqrt{\beta_t}\,z_t,\qquad z_t \sim \mathcal{N}(0, I) ]

Trong đó (x_0) là ảnh gốc, (x_t) là ảnh sau (t) bước, còn (\beta_t) là các hằng số quyết định lượng nhiễu thêm vào ở mỗi bước.

Mạng dự đoán nhiễu

Thay vì để mạng đoán trực tiếp ảnh, DDPM (Denoising Diffusion Probabilistic Model) huấn luyện mạng đoán thành phần nhiễu (z) đã được thêm vào. Hàm mất mát được rút gọn thành:

[ L(\theta) = \mathbb{E}\left[\left|\epsilon_\theta(x_t, t) - z\right|^2\right] ]

Nói cách khác, ta lấy một ảnh thật, thêm nhiễu đã biết, rồi yêu cầu mạng nhận lại đúng phần nhiễu đó. Hàm mất mát này được giảm dần thông qua backpropagation.

Mô hình điểm đánh giá

Một cách hình thức hóa khác là mô hình dựa trên điểm đánh giá (score-based model), trong đó mạng học hàm đánh giá:

[ s(x) = \nabla_x \log q(x) ]

Hàm này chỉ ra hướng làm tăng xác suất của dữ liệu. Hai cách tiếp cận score-based và DDPM về mặt toán học được chứng minh là tương đương, nên một mạng huấn luyện theo mục tiêu DDPM cũng có thể dùng như một mạng điểm đánh giá.

Các biến thể chính

DDIM — tạo ảnh nhanh hơn

Quá trình DDPM gốc cần rất nhiều bước, khiến việc tạo ảnh chậm. DDIM (Denoising Diffusion Implicit Model) xây dựng lại quá trình ngược ở dạng tất định (deterministic), cho phép bỏ qua nhiều bước trung gian mà không cần huấn luyện lại mô hình.

Mô hình khuếch tán tiềm ẩn (LDM)

Việc chạy khuếch tán trực tiếp trên từng pixel của ảnh lớn rất tốn tài nguyên. Mô hình khuếch tán tiềm ẩn dùng một bộ mã hóa tự động nén ảnh vào không gian tiềm ẩn (latent space) nhỏ hơn, chạy khuếch tán trong không gian đó, rồi dùng bộ giải mã đưa kết quả về ảnh. Cách này giảm đáng kể chi phí tính toán.

Hướng dẫn phân loại và hướng dẫn không phân loại

Để tạo ảnh theo điều kiện, mô hình có thể kết hợp với một bộ phân loại (classifier guidance) hoặc dùng cơ chế hướng dẫn không phân loại. Hệ số hướng dẫn (guidance scale) kiểm soát mức độ bám sát điều kiện: giá trị càng cao thì ảnh càng sát yêu cầu nhưng có thể kém đa dạng hơn.

Kiến trúc và ứng dụng

Mạng xương sống

Mạng nơ-ron chịu trách nhiệm khử nhiễu gọi là mạng xương sống (backbone), thường có kiến trúc U-Net hoặc Transformer. U-Net nén rồi mở rộng dữ liệu, trong khi Transformer phù hợp với các mô hình kết hợp văn bản.

Ứng dụng phổ biến

So sánh diffusion với GAN

Tiêu chí Mô hình khuếch tán GAN
Quá trình tạo Nhiều bước, từng bước một Một lần forward pass, nhanh
Độ ổn định khi huấn luyện Tương đối ổn định Nhạy cảm, cần cân bằng
Độ đa dạng đầu ra Phong phú với yêu cầu phức tạp Có nguy cơ mode collapse
Tốc độ Chậm hơn, nhưng có bản nhanh Phù hợp ứng dụng thời gian thực

So với GAN, mô hình khuếch tán thường ổn định hơn khi huấn luyện và ít gặp mode collapse, dù quá trình tạo mẫu nhìn chung chậm hơn.

Câu hỏi thường gặp

Mô hình khuếch tán dùng để làm gì?

Nó tạo ra dữ liệu mới bằng cách khử nhiễu từng bước từ một điểm xuất phát là nhiễu ngẫu nhiên. Mô hình được dùng nhiều trong tạo ảnh, tạo video, nâng chất lượng hình ảnh và xử lý ảnh y khoa.

Quá trình thuận và quá trình ngược khác nhau ra sao?

Quá trình thuận thêm nhiễu dần vào dữ liệu thật cho đến khi thành nhiễu thuần; quá trình ngược học cách khử nhiễu để tạo lại dữ liệu có cấu trúc. Một quá trình là chiều đi, quá trình kia là chiều đảo ngược.

DDPM là gì?

DDPM là viết tắt của Denoising Diffusion Probabilistic Model, một cách hình thức hóa phổ biến của mô hình khuếch tán, trong đó mạng được huấn luyện để dự đoán nhiễu thay vì đoán trực tiếp ảnh.

Mô hình khuếch tán tiềm ẩn tiết kiệm tài nguyên bằng cách nào?

Thay vì làm việc trên toàn bộ pixel, mô hình nén ảnh vào không gian tiềm ẩn nhỏ hơn, chạy khuếch tán ở đó rồi mới giải mã ra ảnh, giúp giảm mạnh bộ nhớ và chi phí tính toán.

Tăng số bước có giúp ảnh đẹp hơn không?

Đến một ngưỡng nhất định thì có. Việc tăng quá nhiều bước sau ngưỡng đó gần như không thay đổi chất lượng nhưng lại tốn thêm thời gian, nên số bước vừa phải thường phù hợp cho nhu cầu thông thường.

Tóm tắt

Sources

  1. https://vi.wikipedia.org/wiki/M%C3%B4_h%C3%ACnh_khu%E1%BA%BFch_t%C3%A1n
  2. https://en.wikipedia.org/wiki/Diffusion_model

Learn by doing

Read a guide, then practice with bite-sized AI lessons you can take offline.

Start learning free