拡散モデル（高度）（かくさんもでるこうど）
最終更新：2026/4/25
拡散モデルは、ノイズからデータを生成する深層学習モデルであり、画像生成や音声合成などの分野で利用される。
ポイント
拡散モデルは、マルコフ連鎖を用いて徐々にノイズを加えていく過程を学習し、その逆過程でデータを生成する。近年、高品質な画像生成において注目されている。
拡散モデルの概要
拡散モデルは、データに徐々にノイズを加えていき、最終的に完全にランダムなノイズに変換する過程（拡散過程）と、その逆過程（逆拡散過程）を学習する生成モデルです。逆拡散過程において、ノイズから徐々にデータを復元することで、新しいデータを生成します。
拡散過程と逆拡散過程
拡散過程は、マルコフ連鎖として定義され、各ステップでわずかなノイズがデータに加わります。この過程を繰り返すことで、データは最終的にガウス分布のようなランダムなノイズに近づきます。逆拡散過程は、この拡散過程を逆に行うことで、ノイズからデータを生成します。逆拡散過程は、深層学習モデル（通常はU-Netのような畳み込みニューラルネットワーク）を用いて学習されます。
拡散モデルの種類
拡散モデルには、様々な種類が存在します。代表的なものとしては、Denoising Diffusion Probabilistic Models (DDPM) や Denoising Diffusion Implicit Models (DDIM) などがあります。DDPMは、拡散過程と逆拡散過程を確率的にモデル化するのに対し、DDIMは、逆拡散過程を決定的に行うことで、より高速なサンプリングを可能にしています。
応用分野
拡散モデルは、画像生成、音声合成、動画生成など、様々な分野で応用されています。特に、画像生成においては、GAN（Generative Adversarial Networks）に匹敵する、あるいはそれ以上の高品質な画像を生成できることが示されています。また、テキストから画像を生成するText-to-Imageモデル（例：Stable Diffusion, DALL-E 2）の基盤技術としても利用されています。
課題と今後の展望
拡散モデルは、高品質なデータを生成できる一方で、計算コストが高いという課題があります。サンプリング速度の向上や、モデルの軽量化などが今後の研究課題となります。また、拡散モデルの理論的な理解を深めることも重要です。