Diffusion Model คืออะไร? โมเดล AI ที่สร้างภาพจากสัญญาณรบกวนทีละขั้น

Updated · By Viviai

Diffusion Model (แบบจำลองแบบแพร่) คือ โมเดลปัญญาประดิษฐ์แบบสร้างสรรค์ชนิดหนึ่งในการเรียนรู้ของเครื่อง ที่เรียนรู้วิธีเพิ่มสัญญาณรบกวน (noise) เข้าไปในข้อมูลจริง แล้วฝึกโครงข่ายประสาทเทียม ให้ทำกระบวนการกลับกัน โดยเริ่มจากสัญญาณรบกวนล้วน ๆ แล้วค่อย ๆ ลดสัญญาณรบกวนทีละขั้นจนได้ภาพใหม่ที่ดูสมจริง ปัจจุบันเครื่องมือสร้างภาพจากข้อความจำนวนมากใช้แนวคิดนี้

แนวคิดหลัก

แบบจำลองแบบแพร่ทำงานเป็นสองทิศทาง:

กระบวนการ สิ่งที่เกิดขึ้น ผลลัพธ์
ไปข้างหน้า (forward) เพิ่มสัญญาณรบกวน Gaussian ทีละน้อย ข้อมูลกลายเป็นสัญญาณรบกวนล้วน
ย้อนกลับ (reverse) ค่อย ๆ ลดสัญญาณรบกวนผ่านโครงข่าย ได้ข้อมูลใหม่ที่ชัดเจน

กระบวนการไปข้างหน้า

ภาพที่ชัดเจนจะถูกเพิ่มสัญญาณรบกวน Gaussian ทีละน้อยในหลายขั้น จนไม่สามารถมองเห็นภาพเดิมได้อีก หากจำนวนขั้น (T) มากเพียงพอ ภาพในขั้นสุดท้ายจะเข้าใกล้สัญญาณรบกวนมาตรฐาน ( \mathcal{N}(0, I) ) ซึ่งแทบไม่เหลือข้อมูลของภาพต้นฉบับ

กระบวนการย้อนกลับ

เป้าหมายคือการทำกระบวนการกลับกัน: เริ่มจากสัญญาณรบกวน (x_T) แล้วลดสัญญาณรบกวนทีละขั้นจนได้ตัวอย่างใหม่ (x_0) ที่มีการแจกแจงคล้ายข้อมูลจริง โดยแต่ละขั้นย้อนกลับจะลดสัญญาณรบกวนเพียงเล็กน้อยและประมาณได้ในรูป Gaussian

โมเดลเรียนรู้อย่างไร

สูตรการเพิ่มสัญญาณรบกวน

กระบวนการไปข้างหน้าเขียนได้ด้วยความสัมพันธ์เวียนเกิด:

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

โดย (x_0) คือภาพเดิม (x_t) คือภาพหลังผ่านไป (t) ขั้น และ (\beta_t) คือค่าคงที่ที่กำหนดปริมาณสัญญาณรบกวนในแต่ละขั้น

โครงข่ายทำนายสัญญาณรบกวน

DDPM (Denoising Diffusion Probabilistic Model) ไม่ได้ให้โครงข่ายทำนายภาพโดยตรง แต่ฝึกให้ทำนายส่วนของสัญญาณรบกวน (z) ที่ถูกเพิ่มเข้าไป ฟังก์ชันการสูญเสียลดรูปเหลือเพียง:

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

กล่าวคือ นำภาพจริงมา เพิ่มสัญญาณรบกวนที่ทราบค่า แล้วให้โครงข่ายทำนายสัญญาณรบกวนส่วนนั้นกลับคืน ซึ่งฟังก์ชันการสูญเสียจะถูกลดลงผ่านการแพร่กระจายย้อนกลับ

องค์ประกอบสำคัญ

U-Net

หัวใจของการลดสัญญาณรบกวนมักเป็นโครงสร้าง U-Net ซึ่งบีบอัดข้อมูลแล้วขยายกลับ โดยมีหน้าที่บอกว่าส่วนใดเป็นสัญญาณรบกวนและควรถูกนำออก โมเดลสมัยใหม่บางตัวใช้ทรานส์ฟอร์เมอร์ แทน U-Net

Noise Schedule

ลำดับของค่า (\beta_t) เรียกว่า noise schedule ซึ่งกำหนดว่าสัญญาณรบกวนจะเพิ่มเร็วเพียงใด หากเพิ่มเร็วเกินไป โมเดลจะเรียนกระบวนการย้อนกลับได้ยาก โดยตารางแบบ linear และ cosine เป็นตัวเลือกที่พบบ่อย

Latent Diffusion

การรัน diffusion บนทุกพิกเซลของภาพขนาดใหญ่ใช้ทรัพยากรสูง Latent diffusion ใช้ออโตเอนโค้ดเดอร์บีบภาพเข้าสู่พื้นที่แฝง (latent space) ที่เล็กกว่า รัน diffusion ในพื้นที่นั้น แล้วค่อยถอดรหัสกลับเป็นภาพ ทำให้ใช้หน่วยความจำน้อยลง

การควบคุมตามคำสั่ง: Guidance

เปรียบเทียบ Diffusion กับ GAN

เกณฑ์ Diffusion Model GAN
กระบวนการสร้าง หลายขั้น ค่อยเป็นค่อยไป คำนวณรอบเดียว รวดเร็ว
ความเสถียรในการฝึก ค่อนข้างเสถียร ละเอียดอ่อน ต้องสมดุล
ความหลากหลาย สูงกับคำสั่งซับซ้อน เสี่ยงต่อ mode collapse
ความเร็ว ช้ากว่า แต่มีรุ่นเร็ว เหมาะกับงานเรียลไทม์

เมื่อเทียบกับ GAN แบบจำลองแบบแพร่มักฝึกได้เสถียรกว่าและลดปัญหา mode collapse ได้ดี แม้โดยทั่วไปจะสร้างผลลัพธ์ช้ากว่า

การประยุกต์ใช้

คำถามที่พบบ่อย

Diffusion Model ทำหน้าที่อะไร?

สร้างข้อมูลใหม่โดยการลดสัญญาณรบกวนทีละขั้นจากจุดเริ่มต้นที่เป็นสัญญาณรบกวนล้วน โดยนิยมใช้สร้างภาพ สร้างวิดีโอ ปรับปรุงภาพ และประมวลผลภาพทางการแพทย์

Diffusion แตกต่างจาก GAN อย่างไร?

Diffusion ฝึกได้ค่อนข้างเสถียรและให้ผลลัพธ์หลากหลาย แต่สร้างช้ากว่า ส่วน GAN สร้างผลลัพธ์ได้เร็วและเหมาะกับงานเรียลไทม์ แต่การฝักฝึกละเอียดอ่อนและเสี่ยงต่อ mode collapse

U-Net มีบทบาทอะไร?

U-Net คือโครงข่ายที่ทำนายว่าส่วนใดของภาพเป็นสัญญาณรบกวนและช่วยนำสัญญาณรบกวนนั้นออก ถือเป็นส่วนรับภาระหลักของกระบวนการ diffusion

Latent Diffusion ช่วยประหยัดทรัพยากรได้อย่างไร?

แทนที่จะทำงานบนทุกพิกเซล โมเดลบีบภาพเข้าสู่พื้นที่แฝงที่เล็กกว่า รัน diffusion ที่นั่นแล้วค่อยถอดรหัสเป็นภาพ จึงช่วยลดหน่วยความจำและต้นทุนการคำนวณ

การเพิ่มจำนวนขั้นช่วยให้ภาพดีขึ้นไหม?

ช่วยได้ถึงระดับหนึ่ง หลังจากนั้นการเพิ่มขั้นอีกมากแทบไม่เปลี่ยนคุณภาพแต่ใช้เวลาเพิ่มขึ้น ดังนั้นจำนวนขั้นระดับปานกลางจึงมักเพียงพอกับการใช้งานทั่วไป

สรุป

Sources

  1. https://th.wikipedia.org/wiki/%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B8%88%E0%B8%B3%E0%B8%A5%E0%B8%AD%E0%B8%87%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%81%E0%B8%9E%E0%B8%A3%E0%B9%88
  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