- DDPMは、画像にノイズを足していく過程を定義し、その逆向きにノイズを除くモデルを学習した。
- CIFAR-10などで画像生成の品質を測り、当時の強い生成モデルと比較した。
- 多数の段階を順にたどる生成時間と、指標で捉えきれない画像の問題が残る。
何を確かめた研究か
画像を一度に描く代わりに、ランダムなノイズから少しずつ画像へ戻せるか。DDPMの原論文は、拡散モデルを画像生成に用い、高品質なサンプルを得られるかを検証した。学習時には実画像へ段階的にノイズを加える「順方向」を定め、その各段階を逆にたどる確率モデルを訓練する。新しい画像は純粋なノイズから始め、学んだ逆方向の操作を繰り返して作る。
「ノイズを除けば元画像が戻る」という単純な修復作業ではない。生成時の出発点は特定の写真を壊したものではなく、ランダムなノイズである。学習した画像の分布らしい新しいサンプルを生み出す方法だ。
どう検証したか
著者らは、学習目的を確率モデルの下界と関連づけつつ、ノイズ予測を中心とする実用的な目的関数を採用した。CIFAR-10などの画像集合でサンプルを生成し、FIDやInception Scoreを使って当時の生成手法と比較している。画質だけでなく、逆過程の設計や学習目的の違いも実験で扱う。
FIDは生成画像と実画像の特徴分布の距離を測る指標で、低いほど近い。Inception Scoreは別の性質を見る。どちらも人が求める内容の正確さや、画像の権利関係を測る指標ではない。論文の結果は、指定された画像データと評価手順の中で読む必要がある。
逆向きの各段階では、ノイズを含む画像と段階を表す時刻から、除くべきノイズの成分を予測する。最初のランダムな状態から順にこの予測を使い、途中で得た画像を次の段階へ渡す。生成のたびに違う画像が出る確率的な仕組みなので、一枚の好例だけでは画質や多様性を判断できない。段階数を変えれば、速度と品質の釣り合いも改めて測る必要がある。
何が分かったか
DDPMはCIFAR-10で競争力のある生成品質を示し、ノイズ予測に基づく学習が画像生成に有効だと示した。論文は、生成と情報圧縮との関係についても分析する。結果が示したのは、逐次的な確率過程でも鮮明な画像に近づけるという点である。
一方、良いサンプルが得られたことと、自由な文章指示に従って目的の画像を作れることは別の能力だ。この論文の主な評価は無条件生成であり、後に広まる文章条件付きの画像生成を直接検証したわけではない。
限界は何か
原論文の生成は多くの逆向きの段階を順に実行する。並列に一度で出す方式と比べ、生成時間が運用上の制約になりうる。評価画像はサイズや題材が限られ、実務で使う高解像度の画像、文字、細部、厳密な配置に同じ品質が出るかは確かめられていない。
生成指標の改善も、すべての画像が適切であることを意味しない。訓練データとの関係や社会的な影響を判断するには、論文にない用途別の確認が必要だ。論文の表で示された画像生成の結果は、学習したデータセットとサンプリング手順を組にした成績である。
仕事との接点
画像生成を業務で使うなら、目的に合う例を複数作り、崩れやすい細部と生成にかかる時間を同時に調べる。公開物に用いる場合は素材や権利の確認工程も置く。これはTRAIL編集部の運用提案であり、原論文が商用デザイン制作の品質や法的適合性を保証したものではない。