Diffusion Model คืออะไร? โมเดล AI ที่สร้างภาพจากสัญญาณรบกวนทีละขั้น
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
- โมเดลอย่าง CLIP ทำหน้าที่เชื่อมระหว่างข้อความกับภาพ และชี้นำทิศทางให้ diffusion
- Guidance scale กำหนดว่าโมเดลจะยึดตามคำสั่งมากน้อยเพียงใด: ค่าสูงจะยึดคำสั่งแน่น แต่ความหลากหลายอาจลดลง
- Negative prompt ใช้บอกโมเดลว่าไม่ต้องการให้สร้างสิ่งใด
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
- สร้างภาพ: สร้างภาพใหม่จากคำอธิบายเป็นข้อความ
- สร้างวิดีโอ: diffusion ตามมิติเวลาเพื่อสร้างวิดีโอสั้น
- ปรับปรุงภาพ: ลดสัญญาณรบกวน เพิ่มความละเอียดของภาพเก่า
- ภาพทางการแพทย์และงานวิจัย: ประมวลผลภาพการแพทย์ โมเดล 3 มิติ และข้อมูลจำลอง
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
- แบบจำลองแบบแพร่เรียนรู้การเพิ่มสัญญาณรบกวนแล้วทำกระบวนการกลับกันเพื่อสร้างข้อมูลใหม่
- U-Net ทำนายสัญญาณรบกวน ส่วน noise schedule กำหนดจังหวะการเพิ่มสัญญาณรบกวน
- Latent diffusion ช่วยให้รันโมเดลได้ด้วยทรัพยากรที่น้อยลง
- เมื่อเทียบกับ GAN Diffusion ฝึกได้เสถียรกว่าแต่โดยทั่วไปช้ากว่า
- การประยุกต์ใช้หลัก ได้แก่ สร้างภาพ สร้างวิดีโอ ปรับปรุงภาพ และภาพทางการแพทย์
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free