Como um modelo cria uma imagem removendo ruído. · Source

Para criar uma imagem, ele parte de pura estática.

Todo gerador de imagens esbarra no mesmo muro: um milhão de pixels que precisam concordar de uma vez. Os modelos de difusão escapam disso com uma jogada estranha — partem de uma tela de pura estática aleatória e a retiram, aos poucos, até que uma imagem que ninguém jamais viu surja ali. A primeira coisa que aprenderam não foi a criar. Foi a destruir.

Primeiro, a direção fácil: como arruinar uma imagem.

q(x_t \mid x_{t-1}) = \mathcal{N}\!\left(x_t;\ \sqrt{1-\beta_t}\,x_{t-1},\ \beta_t \mathbf{I}\right)

Reverter o caos é difícil; provocá-lo é trivial — então comece por aí. Pegue uma foto real e misture um pouco de ruído aleatório, passo após passo, até não sobrar nada além de neve cinza. Como uma gota de tinta em água parada: ela se espalha um pouco mais a cada instante, nunca se recolhe, até o copo virar um cinza uniforme. Em palavras simples: cada passo mantém um fio a menos da imagem e mistura um fio a mais de pura estática — minúsculo, exato e fácil de aprender.

Você pode pular para qualquer grau de ruína de uma só vez.

x_t = \sqrt{\bar{\alpha}_t}\,x_0 + \sqrt{1-\bar{\alpha}_t}\,\varepsilon, \quad \varepsilon \sim \mathcal{N}(0, \mathbf{I})

Adicionar ruído passo a passo seria tedioso. Felizmente, todos esses passinhos se condensam em uma fórmula: qualquer versão com ruído é só o original abaixado e a pura estática elevada, misturados por um único botão. Como um tule translúcido corrido sobre um palco: quanto mais você o puxa, mais a cena se apaga e mais o branco domina — e o quanto você puxou é o único número de que precisa. Assim dá para pular para qualquer momento de deterioração de uma vez.

Agora o truque real: ensinar uma rede a ver a estática.

\mathcal{L}_{\text{simple}} = \mathbb{E}_{x_0,\,\varepsilon,\,t}\left[\,\left\lVert \varepsilon - \varepsilon_\theta(x_t,\,t) \right\rVert^2\,\right]

Aqui está toda a mágica. Você não separa a tinta com a mão — mas uma rede pode estimar o que foi misturado. Mostre a ela uma imagem com ruído e faça uma pergunta: que parte disto é a estática que eu adicionei? Avalie-a pelo quão perto está o palpite, ao longo de milhões de exemplos. Como um restaurador removendo a sujeira de um quadro antigo: ele não repinta a cena — aprende a enxergar só a sujeira, para que o que reste seja a imagem por baixo.

Por que centenas de passinhos, e não um grande salto?

x_{t-1} = \frac{1}{\sqrt{\alpha_t}}\left(x_t - \frac{1-\alpha_t}{\sqrt{1-\bar{\alpha}_t}}\,\varepsilon_\theta(x_t,\,t)\right) + \sigma_t z, \quad z \sim \mathcal{N}(0, \mathbf{I})

Se ela consegue ver o ruído, por que não tirar tudo de uma vez? Porque um único palpite gigante pede que ela imagine a imagem inteira a partir do cinza — demais. Então ela remove uma camada fina, olha de novo e repete, centenas de vezes. Em palavras simples: subtraia um pouco da estática prevista, misture um sopro de novo acaso, repita. Como um canteiro partindo granito: não um golpe brutal, mas uma fileira de batidas pequenas e seguras — cada uma fácil, e a pedra se abre certeira justamente porque nenhuma batida teve de fazer tudo.

Mas como ele desenha um gato e não… qualquer coisa?

\tilde{\varepsilon}_\theta(x_t, c) = \varepsilon_\theta(x_t, \varnothing) + w\left(\varepsilon_\theta(x_t, c) - \varepsilon_\theta(x_t, \varnothing)\right)

Por conta própria, a remoção de ruído deriva para alguma imagem plausível — não a sua. Então a cada passo você também entrega suas palavras e inclina o palpite dela na direção delas. O jeito mais limpo: comparar a remoção com o prompt à remoção às cegas e exagerar a diferença. Como um ímã sob uma folha de limalha de ferro: o prompt é o campo; aumente sua força e os grãos espalhados se alinham com mais ímpeto na forma que você nomeou.

Entra estática, sai uma imagem: a destruição ao contrário.

Dê um passo atrás e veja o motor inteiro. Ele se ensinou a arruinar imagens, aprendeu a nomear a ruína e agora roda esse saber ao contrário — a partir de um campo novo de estática, guiado por suas palavras, um passo suave após o outro. Como uma cópia que emerge na bandeja de revelação: a folha em branco nunca esteve em branco; no banho certo, a seu tempo, a imagem simplesmente aflora. Nada foi desenhado. O ruído foi esculpido.

🌱 Ele criou a imagem… ou apenas a revelou?

Mude a estática inicial e você obtém outra imagem; a mesma estática sempre dá a mesma. Assim, toda imagem que ele pode criar está, de certo modo, já implícita — dobrada em algum grão de ruído, esperando. Como um rosto que o escultor jura já estar dentro do mármore: remova o que não é ele, e lá está. Então o modelo cria estas imagens — ou apenas lapida tudo o que elas não são?