Diffusionsmodell
Das Verfahren hinter modernen Bildgeneratoren: Aus zufälligem Rauschen entsteht Schritt für Schritt ein Bild, ein Ton oder ein Text.
Ein Diffusionsmodell ist ein maschinelles Lernverfahren, das Daten erzeugt, indem es schrittweise Rauschen aus einem zufälligen Ausgangsmaterial entfernt. Der Ansatz stammt aus der Physik, wo er beschreibt, wie sich Teilchen in Flüssigkeiten oder Gasen verteilen. In der KI wird das Prinzip umgedreht: Das Modell rekonstruiert Schritt für Schritt ein Bild, einen Ton oder einen Text aus gestörtem Input.
Wie ein Diffusionsmodell arbeitet
Die bekannteste Nutzung sind KI-Bildgeneratoren. Nutzer geben einen Prompt ein, das Modell wandelt ihn in ein Rauschmuster um. Durch wiederholte Berechnung filtert es Störungen heraus, bis ein passendes Bild entsteht. Auch bei Sprach- oder Musiksynthese kommt das Verfahren zum Einsatz. Typisch ist der schrittweise Aufbau: erst grobe Formen, dann Details wie Gesichter oder Texturen. Die Rechenleistung dafür ist hoch, die Ergebnisse sind oft überraschend präzis.
Breit bekannt wurde der Ansatz durch frei verfügbare Modelle wie Stable Diffusion. Auch Techniken wie Inpainting, bei denen nur ein Ausschnitt eines Bildes neu berechnet wird, beruhen auf demselben schrittweisen Prozess.
Abgrenzung zu GANs und Transformern
Im Gegensatz zu GANs (Generative Adversarial Networks) arbeitet ein Diffusionsmodell ohne konkurrierende Netze. Es braucht keine zwei gegnerischen Systeme, die sich gegenseitig verbessern. Auch Transformermodelle wie bei Sprach-KIs folgen einem anderen Prinzip: Sie verarbeiten Sequenzen direkt, während Diffusionsmodelle schrittweise korrigieren. Der Vorteil liegt in der Stabilität – die Ergebnisse sind weniger anfällig für Artefakte oder zusammenhangslose Ausgaben.
Die Idee entstand in den 2010er-Jahren, als Forscher physikalische Diffusionsprozesse auf neuronale Netze übertrugen. Statt zwei Modelle gegeneinander arbeiten zu lassen, setzt das Verfahren auf schrittweise Verbesserung: Es lernt, wie sich aus verrauschten Daten die ursprüngliche Struktur zurückgewinnen lässt. Dieser Prozess ähnelt dem Entzerren eines verpixelten Fotos – nur mit tausenden automatischen Korrekturschritten.
Einordnung für den Alltag
Wer heute einem künstlich erzeugten Bild begegnet, sieht häufig das Ergebnis eines Diffusionsmodells. Für die Einordnung solcher Inhalte lohnt sich der Blick auf den Begriff Synthetische Medien; die Werkzeuge von Drittanbietern, die auf solchen Modellen aufbauen, stellt unser Katalog mit redaktionellen Bewertungen vor. Als Primärquellen dienen die DDPM-Arbeit von Ho et al. (2020) sowie die Arbeit zu latenten Diffusionsmodellen von Rombach et al. (2021).
Diesen Text verantwortet die Redaktion, nicht eine einzelne Person. Wie wir auswählen und prüfen, steht in der Bewertungsmethodik; wie wir Fehler korrigieren, in den Redaktionsrichtlinien.
Häufige Fragen zum Diffusionsmodell
Warum heisst es Diffusionsmodell?
Der Name kommt aus der Thermodynamik. Diffusion beschreibt, wie sich Teilchen gleichmässig verteilen – etwa Tintenflecken in Wasser. KI-Diffusionsmodelle kehren diesen Prozess um: Sie starten mit «verteilten» Daten, also Rauschen, und führen sie zurück zu einer geordneten Struktur wie einem Bild. Die Analogie hilft, das schrittweise Vorgehen zu verstehen.
Braucht man für Diffusionsmodelle spezielle Hardware?
Ja, die Berechnungen sind rechenintensiv. Sie laufen meist auf Grafikprozessoren (GPUs) oder speziellen KI-Chips. Cloud-Dienste bieten oft Zugang zu solcher Infrastruktur. Für einfache Tests reichen manchmal auch leistungsstarke Consumer-PCs. Die Genauigkeit und Geschwindigkeit hängen aber stark von der Hardware ab. Lokale Nutzung ist für Laien oft nur mit vereinfachten Modellen möglich.
Können Diffusionsmodelle auch Texte oder Videos generieren?
Ja, das Verfahren lässt sich auf verschiedene Datentypen anwenden. Bei Texten wird beispielsweise aus zufälligen Zeichenfolgen schrittweise ein kohärenter Satz aufgebaut. Für Videos generiert das Modell Einzelbilder und fügt sie zu einer Sequenz zusammen. Die Qualität hängt von der Trainingsdatenmenge ab. Bilder sind heute am ausgereiftesten, während komplexe Videos oder lange Texte noch Herausforderungen bieten.