「テキストを入力するだけで、リアルな画像が生成される」——Stable DiffusionやDALL-Eが見せる魔法のような体験。
その裏側で動いているのが「拡散モデル（Diffusion Model）」です。
この記事では、画像生成AIの中核技術である拡散モデルの仕組みを解説します。
拡散モデルとは？
一言で言うと
拡散モデルは、画像にノイズを加える過程を学習し、その逆過程（ノイズを取り除く）で新しい画像を生成する技術です。
「ノイズだらけの砂嵐」から、徐々にノイズを除去していくと、美しい画像が現れる——そんなイメージです。
なぜわざわざノイズを使うんですか？
「どうやってノイズを加えるか」は数学的に簡単に定義できます。その逆過程を学習させることで、「どうやってきれいな画像を作るか」をAIに学ばせるわけです。シンプルな問題設定で高品質な生成ができる、優れたアプローチなんです。
拡散モデルの登場
拡散モデル自体は2015年に提案されましたが、実用化されたのは2020年。Ho et alの論文「Denoising Diffusion Probabilistic Models（DDPM）」がブレイクスルーとなりました。
2022年以降、Stable Diffusion、DALL-E 2、Midjourney、Imagenなど、拡散モデルベースの画像生成AIが次々と登場し、GANに代わる主流技術となりました。
拡散モデルの仕組み
2つのプロセス
拡散モデルは、「拡散過程」と「逆拡散過程」の2段階で構成されます。
【拡散過程（学習時）】
きれいな画像 → ノイズ追加 → ノイズ追加 → ... → 完全なノイズ
【逆拡散過程（生成時）】
完全なノイズ → ノイズ除去 → ノイズ除去 → ... → きれいな画像
拡散過程（Forward Process）
元のきれいな画像に、少しずつガウスノイズ（ランダムなノイズ）を加えていきます。
- ステップ0: きれいな画像
- ステップ1: 少しノイズが乗った画像
- ステップ2: もう少しノイズが増えた画像
- ...
- ステップ1000: 完全なランダムノイズ
最終的には、元の画像の情報が完全に失われた「砂嵐」状態になります。
逆拡散過程（Reverse Process）
AIは「ノイズを少しずつ取り除く」ことを学習します。
ニューラルネットワーク（主にU-Net）が「このノイズ画像には、どんなノイズが含まれているか」を予測し、そのノイズを除去します。
- ステップ1000: ランダムノイズ
- ↓ ノイズ予測＆除去
- ステップ999: 少し情報が見える
- ↓ ノイズ予測＆除去 ...（繰り返し）
- ステップ0: きれいな画像が生成
DDPMでは1000ステップ程度で学習・生成を行います。DDIMなどの改良版では、50〜100ステップ程度に削減可能です。
条件付き生成
「猫の画像を生成して」というテキスト指示を与えるには、「条件付け」が必要です。
Stable Diffusionでは、テキストエンコーダー（CLIP）を使って、テキストの意味をベクトルに変換し、ノイズ除去の各ステップでその情報を参照します。
[テキスト入力] → [CLIPでベクトル化] → 生成の方向づけ → [ノイズ] → [条件付きノイズ除去] → [生成画像]
主要な拡散モデル
DDPM（2020年）
Denoising Diffusion Probabilistic Models。実用的な拡散モデルの基礎を確立。
DDIM（2021年）
Denoising Diffusion Implicit Models。DDPMを高速化し、生成ステップ数を大幅に削減。
Stable Diffusion（2022年）
Stability AIが公開したオープンソースの画像生成モデル。潜在空間（Latent Space）で拡散を行う「Latent Diffusion」を採用し、高解像度画像を効率的に生成。
| バージョン | 公開時期 | 特徴 |
|---|---|---|
| Stable Diffusion 1.x | 2022年8月 | オープンソース公開 |
| Stable Diffusion 2.x | 2022年11月 | 高解像度対応 |
| Stable Diffusion XL | 2023年7月 | より高品質な生成 |
| Stable Diffusion 3 | 2024年3月 | Transformerベース（DiT） |
DALL-E 2/3（OpenAI）
OpenAIの画像生成モデル。テキストからの画像生成で高い品質を実現。DALL-E 3はChatGPTと統合。
Midjourney
高品質なアート風画像生成で人気。Discordベースのサービス。
Sora（2024年）
OpenAIの動画生成モデル。拡散Transformer（DiT）を採用。
拡散モデル vs GAN
拡散モデル以前は、GAN（敵対的生成ネットワーク）が画像生成の主流でした。
| 項目 | 拡散モデル | GAN |
|---|---|---|
| 学習の安定性 | 安定 | 不安定になりやすい |
| 生成の多様性 | 高い | モード崩壊のリスク |
| 生成速度 | 遅い（複数ステップ） | 速い（1回の推論） |
| 画像品質 | 非常に高い | 高い |
| 制御性 | 条件付け容易 | 制御が難しい |
GANより遅いのに、なぜ拡散モデルが主流になったんですか？
学習の安定性と生成品質が決め手です。GANは学習が難しく、同じような画像ばかり生成する「モード崩壊」が問題でした。拡散モデルは安定して多様な高品質画像を生成できます。速度の問題も、DDIMなどの改良で大幅に改善されています。
拡散モデルの応用
画像生成以外の応用
- 画像編集：既存画像の一部を編集（インペインティング）
- 超解像：低解像度画像を高解像度に変換
- 画像復元：ノイズ除去、欠損部分の補完
- 動画生成：Soraなどの動画生成AI
- 3Dモデル生成：テキストから3Dオブジェクト生成
- 音声生成：音声・音楽の生成
ビジネス活用
- 広告・マーケティング：商品画像、バナー作成
- ゲーム開発：背景、キャラクターのコンセプトアート
- EC：商品イメージの自動生成
- 教育：教材用イラスト作成
拡散モデルの課題
1. 生成速度
複数ステップの処理が必要なため、GANより遅い。リアルタイム生成には改良が必要。
2. 計算コスト
高品質な生成には高性能GPUが必要。クラウドサービスやAPIの利用が一般的。
3. 著作権問題
学習データに含まれる画像の著作権、生成画像の権利について議論が続いている。
4. 不適切コンテンツ
フェイク画像、不適切なコンテンツの生成リスク。各サービスで対策が講じられている。
拡散モデルは画像生成AIを実用レベルに引き上げた革新的技術です。ただし、著作権や倫理面の課題も理解した上で活用することが大切です。
まとめ：ノイズから画像を生み出す技術
拡散モデルは、画像生成AIの中核を担う技術です。
拡散モデルの重要ポイント：
- ノイズ追加→ノイズ除去の過程を学習
- 2020年のDDPMで実用化
- Stable Diffusion、DALL-E、Midjourneyの基盤
- GANより学習が安定し、多様な生成が可能
- 速度改善（DDIM等）で実用性向上
- 画像・動画・3Dなど応用範囲が拡大
「テキストから画像を生成する」未来を実現した拡散モデル。その進化はまだ始まったばかりです。
