擴散模型

什麼是擴散模型？

擴散模型 (Diffusion model) 是一種生成式 AI 架構，透過學習反轉「加噪」的過程來生成圖像。在訓練期間，系統會逐漸加入隨機雜訊來破壞圖像，並讓模型學習還原每一個步驟。到了生成階段，模型會從純雜訊開始，在文字提示、參考圖像或兩者的引導下，逐步去噪並生成全新的圖像。

目前最先進的圖像生成器大多採用擴散模型，包含用於圖像式虛擬試穿的服裝轉換系統。

運作原理

1. 前向過程 (訓練)：將雜訊分多個小步驟加入真實圖像中，直到只剩下靜態雜訊。
2. 學習反向過程：訓練模型在每個步驟中預測上一個雜訊較少的狀態。
3. 生成：從隨機雜訊開始，反覆應用學到的去噪過程 (通常為 20 到 50 個步驟)，直到呈現出清晰的圖像。
4. 條件控制 (Conditioning)：在每個步驟中，模型都能透過服裝圖像、人體姿勢或需要重新繪製的區域遮罩等輸入來進行引導。

在虛擬試穿中的角色

條件控制是將一般圖像生成器轉化為試穿引擎的關鍵：只要提供人物照片、服裝照片和服裝遮罩，模型就能只重新生成被遮罩覆蓋的區域 (參見圖像修補)，同時保持布料紋理、皺褶與光影和原圖一致。

這種技術的代價是速度：生成圖像需要耗費數秒鐘，且需要 GPU 運算，這就是為什麼基於擴散模型的試穿技術產生的是靜態圖像，而非即時影片疊加。

常見問答

為您解答疑問。

為什麼擴散模型在試穿技術上取代了 GAN？↓

早期的虛擬試穿研究多使用 GAN，但後來發現擴散模型在訓練上更穩定，透過條件控制也更容易引導，而且在重現細緻紋理的表現更佳。這些優勢對服裝呈現來說都至關重要。