Lexicon Redes Neuronales

Definición breve

Los modelos de difusión son modelos generativos que crean datos eliminando progresivamente el ruido a partir de una señal aleatoria.

Explicación del concepto

Los modelos de difusión son una de las técnicas más avanzadas en generación de contenido, especialmente en imágenes.

A diferencia de las GANs, estos modelos funcionan mediante un proceso en dos fases:

1. Difusión (forward process)
   Se añade ruido gradualmente a los datos reales hasta convertirlos en ruido puro.
2. Denoising (reverse process)
   El modelo aprende a revertir este proceso, eliminando el ruido paso a paso.

El resultado es la generación de datos nuevos que siguen la distribución original.

Cómo funciona

El proceso completo incluye:

1. Partir de datos reales (por ejemplo, imágenes).
2. Añadir ruido en múltiples pasos hasta destruir la estructura original.
3. Entrenar un modelo para aprender a eliminar ese ruido.
4. Generar nuevos datos comenzando desde ruido y refinándolo progresivamente.

Este proceso permite generar datos altamente realistas.

Fórmula clave

$x_t = \sqrt{\alpha_t} \; x_{t-1} + \sqrt{1 – \alpha_t} \; \epsilon$xt​

Por qué es importante

Los modelos de difusión han superado a muchas técnicas anteriores en calidad de generación.

Aplicaciones:

• generación de imágenes (Stable Diffusion, DALL·E)
• generación de audio
• diseño creativo
• síntesis de datos

Beneficios:

• alta calidad visual
• mayor estabilidad que GANs
• control sobre el proceso de generación

Ejemplo conceptual

Un modelo comienza con ruido aleatorio y lo transforma gradualmente en una imagen coherente, como un rostro o un paisaje.

Ejemplo en PyTorch

Un modelo de difusión aprende a predecir el ruido.

noise_pred = model(noisy_input, timestep)
loss = loss_function(noise_pred, true_noise)

El modelo aprende a eliminar el ruido paso a paso.

Conceptos relacionados

• Modelos generativos
• Redes generativas adversariales
• Distribución de datos
• Aprendizaje profundo
• Generación de imágenes

Resumen

Los modelos de difusión son una técnica avanzada de generación de datos que transforma ruido en datos realistas mediante un proceso iterativo. Han revolucionado la generación de imágenes y representan uno de los enfoques más potentes en la inteligencia artificial moderna.