====== Difúzní modely (Stable Diffusion) ======

**Difúzní modely** jsou třídou generativních modelů, které se staly standardem pro generování obrazu po roce 2021. Na rozdíl od [[it:ai:gan_vs_vae|GAN nebo VAE]] nepracují s přímým soubojem sítí, ale využívají proces postupného přidávání a následného odstraňování šumu.

Stojí za populárními nástroji jako **Stable Diffusion**, **Midjourney**, **DALL-E 3** nebo **Imagen**.

===== 1. Princip fungování: Destrukce a rekonstrukce =====

Proces fungování difúzních modelů se dělí na dvě fáze:

==== A. Dopředná difúze (Forward Diffusion) ====
Model vezme čistý obrázek a postupně k němu přidává náhodný šum (Gaussovský šum), dokud se obrázek nestane naprosto nečitelným "zrněním". Tento proces je fixní a slouží k přípravě dat pro trénink.

==== B. Zpětná difúze (Reverse Diffusion) ====
Toto je fáze, kde probíhá učení. Neuronová síť (obvykle architektura **U-Net**) se učí odhadnout, kolik šumu bylo v daném kroku přidáno, a snaží se jej odstranit. 
  * Cílem je "vyčistit" šum tak, aby se postupně objevil smysluplný obraz.
  * Při generování pak modelu stačí dát čistý náhodný šum a on z něj "vysochá" nový obrázek.

[Image showing the process from clear image to noise and back to generated image]

===== 2. Stable Diffusion a Latentní difúze =====

Hlavním problémem původních difúzních modelů byla extrémní náročnost na výpočetní výkon (pracovaly s každým pixelem). **Stable Diffusion** (vyvinutý Stability AI a LMU Munich) tento problém vyřešil pomocí **Latentní difúze**.

  * **Latentní prostor:** Místo aby model pracoval s pixely (např. 512x512), pracuje s komprimovanou reprezentací v tzv. latentním prostoru (podobně jako [[it:ai:autoencoders|autoenkodéry]]).
  * **Efektivita:** Díky tomu lze Stable Diffusion spustit i na běžných domácích grafických kartách (GPU).

===== 3. Text-to-Image (Spojení s textem) =====

Aby model věděl, co má generovat (např. "kočka v klobouku"), využívá mechanismus **Conditioning** (podmiňování).

  1. **Textový enkodér (CLIP):** Převede textový popis (prompt) na číselný vektor.
  2. **Cross-Attention:** Tento vektor je předán difúznímu modelu během procesu odšumování. Model pak při každém kroku čištění "kontroluje", zda to, co vytváří, odpovídá zadanému textu.

===== 4. Hlavní výhody a využití =====

^ Výhoda ^ Popis ^
| **Kvalita a detaily** | Dokáží generovat mnohem realističtější detaily než GAN. |
| **Kontrola (ControlNet)** | Možnost přesně řídit kompozici, pózu postav nebo hloubku ostrosti. |
| **Inpainting / Outpainting** | Schopnost dokreslit chybějící části obrázku nebo jej rozšířit do stran. |
| **Open Source** | Na rozdíl od DALL-E je Stable Diffusion otevřený kód, což vedlo k obrovskému rozvoji komunity. |



===== 5. Etika a právo =====

Difúzní modely vyvolaly velké debaty ohledně:
  * **Trénovací data:** Modely byly trénovány na miliardách obrázků z internetu, často bez souhlasu autorů.
  * **Deepfakes:** Snadná tvorba fotorealistických podvrhů známých osobností.
  * **Autorská práva:** Kdo vlastní obrázek vygenerovaný AI?

----
//Související články://
  * [[it:ai:gan_vs_vae|Srovnání starších generativních modelů]]
  * [[it:ai:transformers|Architektura Transformer a CLIP]]
  * [[it:hw:gpu|Role GPU ve výpočtech AI]]

//Tagy: {{tag>ai generative_models stable_diffusion deep_learning nlp}}//