擴散模型（Diffusion Model）

什麼是擴散模型？

**擴散模型（Diffusion Model）**是一種生成式 AI 架構，其核心概念是學習逆轉「加噪」過程來生成圖像。在訓練階段，原始圖像會被逐步加入隨機雜訊直到完全破壞，模型則學著一步步還原。而在實際生成時，模型從純雜訊出發，在文字提示、參考圖片或兩者的引導下逐步去噪，最終生成嶄新的清晰影像。

擴散模型是目前絕大多數頂尖影像生成技術的核心基礎，其中也包含應用於圖像虛擬試穿的服飾轉移（Garment Transfer）系統。

運作原理

1. 前向過程（訓練階段）：在真實圖像中分步加入微量雜訊，重複多次直到畫面只剩下雜訊雜訊點。
2. 學習逆向過程：訓練模型在每個步驟中精準預測前一步雜訊較少的狀態。
3. 影像生成：從隨機雜訊開始，反覆套用已學會的去噪步驟（通常為 20 至 50 步），直到生成結構完整的清晰圖像。
4. 條件引導（Conditioning）：在每個去噪步驟中，模型都能依據特定條件調整方向，例如服飾平拍圖、人體姿態或需重新繪製的遮罩區域。

在虛擬試穿中的應用

「條件引導」正是將通用影像生成器轉化為專屬虛擬試穿引擎的關鍵：只要提供人物照片、服裝照片與衣物遮罩，模型就能針對遮罩區域進行局部重繪（詳見影像修復 Image Inpainting），並自動重現符合原圖光影、垂墜皺褶與布料細節的真實質感。

這項技術的主要權衡在於生成速度：每次運算需要數秒時間並依賴 GPU 算力支援，因此現階段以擴散模型為基礎的試穿體驗主要產出高品質靜態影像，而非即時視訊濾鏡。

常見問答

為您解答疑問。

為什麼擴散模型在虛擬試穿領域會取代 GAN？↓

早期的虛擬試穿研究多採用生成對抗網絡（GAN），但擴散模型已被證實訓練過程更穩定、透過條件引導的可控性更高，且更能細緻還原衣物布料的紋理細節，而這些特性正是服裝穿搭呈現中最不可或缺的關鍵。