その時代、何を目指した？
画像を一度の処理で描く以外に、少しずつ整える過程を学ぶ方法があります。拡散モデルでは、その過程をノイズと結び付けて考えます。
自然な画像には、形・色・細部の組合せが大量にあります。拡散モデルは以前から研究されていましたが、当時のほかの生成方式に並ぶ品質で画像を作れるかが課題でした。
出典：Denoising Diffusion Probabilistic Models ／ High-Resolution Image Synthesis with Latent Diffusion Models
実際には、何をした？
DDPMの原論文は、画像生成の結果と、ノイズを扱う学習・生成の手続きを報告しています。学習では画像に既知のノイズを加え、モデルがそのノイズを予測するようにします。
生成の出発点は別のランダムノイズです。学習に使った一枚の画像を毎回ノイズの中から発見する手順ではありません。また、この研究自体と、後に普及する文章からの画像生成サービスは区別します。
出典：Denoising Diffusion Probabilistic Models ／ High-Resolution Image Synthesis with Latent Diffusion Models
資料を見て読む
画像を原寸で開く 著者が公開したDDPMの生成例。顔・建物・室内など対象の違いを見比べられます。写真の記録ではなくモデルの出力です。文字や透かし状の表示も原資料のまま残しています。
Jonathan Ho, Ajay Jain, Pieter Abbeel · 研究資料の引用。著作権は各著作者に帰属。 · 原画像を改変せず掲載。表示時のみ縮小。 · 画像の出典
画像を原寸で開く 無条件のDDPMを説明する模式図。風景とノイズは教材用の図形で、AIの実出力ではありません。文章条件や潜在空間の方式は省略しています。上段の学習画像を、下段でそのまま取り戻す図ではありません。
AI ATLAS · 本サイト制作の解説図 · 原図を掲載。研究の実測値・実出力ではありません。
実現を支えたしくみ
DDPMでは、学習画像に加えたノイズを推定するようにネットワークを学習させます。生成時はランダムなノイズから出発し、学習した処理を繰り返して画像に近づけます。2020年の論文は、この考え方で高品質な画像生成を示しました。
原論文のアルゴリズムは「学習」と「サンプリング」を分けています。下の図も二つの列を分けています。段階を追って変化するという似た見た目だけで、両方を同じ作業だと解釈しないためです。
出典：Denoising Diffusion Probabilistic Models ／ High-Resolution Image Synthesis with Latent Diffusion Models
何が変わり、何が残った？
基本のDDPMでは生成に多数の反復が必要です。2020年の実験は、そのまま現在の文章から画像を作る全サービスを説明するものではありません。文章条件の与え方、計算を軽くする工夫、編集の仕組みは別の研究も重ねられています。
編集の視点：生成の途中を「隠れていた元画像を発見する」と捉えるより、学習したパターンから新しい候補を組み立てると考える方が適切です。元画像の復元と、何もないところからの生成は区別して比べましょう。
出典：Denoising Diffusion Probabilistic Models ／ High-Resolution Image Synthesis with Latent Diffusion Models
公開図の見どころ
著者が公開したDDPMの生成例。顔・建物・室内など対象の違いを見比べられます。写真の記録ではなくモデルの出力です。文字や透かし状の表示も原資料のまま残しています。
ここに掲載したのは研究者が公開した資料です。本サイトで同じモデルを実行した結果ではありません。表示を拡大して、原資料の文字や構成も確認できます。
出典をたどる
本文は資料をもとにした日本語の解説です。引用画像は個別に出典を表示しています。研究の結果と現在の製品の提供条件は区別して読んでください。
- 研究論文Denoising Diffusion Probabilistic Models Ho et al. / arXiv · 2020-06-19 · arXiv初公開
読む場所：Abstract; Background; Diffusion models and denoising autoencoders; Sampling algorithms
既知のノイズを使う学習と、ランダムノイズから繰り返す生成を分ける。
資料確認 2026-10-22 - 研究論文High-Resolution Image Synthesis with Latent Diffusion Models Rombach et al. / arXiv・CVPR · 2021-12-20 · arXiv初公開。学会版はCVPR 2022
読む場所：Abstract; Method; Limitations
圧縮した潜在表現での拡散、条件付け、精密な画素再現に対する圧縮の限界。
資料確認 2026-10-22 - 研究者の公開実装DDPM — 著者公開の実装と生成例 Jonathan Ho, Ajay Jain, Pieter Abbeel · 2020 · 対応論文の年。実装は参照コミットを固定。
読む場所：README冒頭の生成例、論文の書誌情報、Experiments
生成例の公開元と、研究に対応する実装であること。
資料確認 2026-10-29
