Как работает диффузия: интуитивно, без математики

Главная метафора: проявка из тумана

Вообразите фотографию, которую погружают в туман: сначала лёгкая дымка, потом гуще, и вот уже вместо снимка — сплошная белая муть, где не разобрать ничего. Диффузионная модель во время обучения смотрит, как картинки постепенно тонут в этом тумане шума, шаг за шагом. А потом учится делать обратное — по замутнённому кадру угадывать, каким он был чуть чётче.

Когда вы нажимаете «сгенерировать», модель берёт чистый шум — тот самый максимальный туман — и начинает его расчищать. На каждом шаге она отвечает на вопрос: «если под этой рябью прячется картинка по вашему описанию, как её слегка проявить?» Убирает немного шума, потом ещё немного, и так десятки раз, пока из хаоса не проступит ясное изображение.

Вот и весь фокус в одном образе: модель не рисует мазками слева направо, как это делает человек с кистью. Она проявляет всю картинку целиком, сразу везде, постепенно повышая её общую чёткость. Это принципиально другой способ создавать изображения — и именно он дал тот резкий скачок качества, который мы наблюдаем последние годы.

Почему обучение идёт «задом наперёд»

Портить картинку легко и математически честно: добавил случайных чисел — получил зашумлённую версию. Модель во время тренировки берёт настоящую фотографию, добавляет к ней известное количество шума и тренируется угадывать, что именно она добавила. Это гениально удобно: правильный ответ всегда под рукой, ведь шум мы сами и подмешали.

Повторив этот трюк на миллиардах примеров с разной силой зашумления, сеть становится мастером «расшумления». Она узнаёт, как под мутью обычно прячется мех, кожа, металл, небо, буквы. Теперь ей можно дать вообще чистый шум и попросить: «проявляй так, будто под ним пряталась вот эта сцена» — и она пойдёт шаг за шагом к правдоподобному результату.

Отсюда важный вывод для практики: качество генерации напрямую зависит от того, что модель видела при обучении. Если сеть насмотрелась архитектуры и портретов, она блестяще их проявит. Если данных по редкому объекту было мало, туман над ним будет расчищаться неуверенно — отсюда странности и артефакты в экзотических запросах.

Что делает каждый шаг генерации

Число шагов (steps) — это на сколько приёмов модель разбивает расчистку тумана. Мало шагов — она торопится, делает крупные грубые движения и может оставить неаккуратности. Много шагов — идёт мелкими аккуратными касаниями, детали выходят чище, но время и стоимость растут. После определённого предела разница почти незаметна, а платить приходится больше.

Практический ориентир: для черновиков и перебора идей хватает небольшого числа шагов — быстро и дёшево. Для финального кадра, который пойдёт в работу, число шагов поднимают. Многие современные модели специально оптимизированы под малое число шагов и дают отличный результат уже за считанные приёмы — это прямая экономия кредитов.

Важно понимать: больше шагов не делает картинку «умнее» по смыслу. Они улучшают чистоту и проработку, но не исправят неудачную композицию или неверно понятый запрос. Если сцена не та — крутить steps бесполезно, надо менять промпт. Шаги отвечают за качество исполнения, а не за замысел.

Guidance: насколько строго держаться текста

У диффузии есть встроенное напряжение между двумя желаниями: сделать красиво и правдоподобно — и точно попасть в ваш запрос. Параметр guidance (иногда CFG) регулирует, чью сторону принять. Низкое значение отпускает модель на свободу: она рисует красиво, но может уплыть от вашего описания. Высокое — заставляет буквально держаться текста.

Кажется, что надо всегда ставить максимум — пусть слушается! Но перебор вредит: при слишком высоком guidance картинки становятся пережжёнными, перенасыщенными, с грубыми контурами и артефактами, будто модель кричит вместо того, чтобы говорить. Истина посередине — там, где сеть и слушает вас, и сохраняет естественность.

На практике это один из первых ползунков, которым стоит поиграть, если результат «почти тот, но». Не попала в детали запроса — поднимите guidance на пару пунктов. Выглядит неестественно и жёстко — опустите. Несколько пробных генераций быстро подскажут комфортный диапазон для конкретной модели.

Seed: почему шум можно приручить

Стартовый туман только кажется полностью случайным. На самом деле он рождается из числа-зерна — seed. Одно и то же зерно даёт один и тот же исходный шум, а значит, при прочих равных, и один и тот же итог. Меняете seed — меняете отправную точку, и картинка рождается совсем другой, хотя запрос тот же.

Это превращает случайность в инструмент. Понравилась композиция, но хочется чуть иначе одежду? Зафиксируйте seed и меняйте только слова про одежду — основа сцены сохранится. Наоборот, если результат надоел и хочется свежих вариантов, оставьте запрос и просто крутите seed, собирая галерею разных прочтений одной идеи.

Фиксированный seed особенно ценен, когда нужна серия в едином духе: карточки товаров, кадры одного персонажа, набор иллюстраций к статье. Вы получаете управляемую вариативность вместо лотереи — и это резко экономит кредиты, потому что вы перестаёте генерировать вслепую в надежде на удачу.

Почему видео и звук — это та же идея

Диффузия оказалась удивительно универсальной. Видеомодели проявляют из шума не одну картинку, а согласованную последовательность кадров, дополнительно следя за тем, чтобы соседние были связаны движением. Речевые и музыкальные модели проявляют из шума звуковую волну или её спектр. Холст меняется — принцип «от хаоса к порядку шаг за шагом» остаётся.

Понимание этого единства сильно упрощает жизнь. Освоив логику шагов, guidance и seed на картинках, вы почти без переучивания переносите интуицию на видео и звук. Меньше шагов — быстрее и грубее, больше — чище и дороже; сильнее держаться текста — точнее, но рискуете жёсткостью; тот же seed — тот же характер результата.

Именно поэтому платформа, где картинки, видео и аудио живут рядом, так удобна для обучения: приёмы перетекают из раздела в раздел. Разобравшись с диффузией один раз, вы говорите на общем языке со всеми генеративными моделями сразу.

Короткий чек-лист по настройкам

Сведём практику в простую памятку, чтобы не гадать над ползунками.

• Steps (шаги) — качество исполнения. Мало для черновиков, больше для финала. Не чинит смысл сцены.
• Guidance / CFG — строгость к тексту. Средние значения; выше — точнее, но рискует пережечь; ниже — свободнее и мягче.
• Seed — зерно случайности. Фиксируйте для серий и точечных правок, крутите для новых вариантов.
• Промпт — отвечает за замысел. Если сцена не та, чините его, а не числа.

Освоив эти четыре рычага, вы перестаёте воспринимать генерацию как лотерею и начинаете ей управлять. Диффузия — не чёрный ящик, а прозрачный процесс расчистки тумана, у которого есть понятные ручки. Покрутите каждую по очереди на одной сцене — и интуиция сложится за один вечер.

Полезно провести собственный маленький эксперимент, чтобы прочувствовать каждый рычаг телом, а не в теории. Возьмите одну простую сцену и зафиксируйте всё, кроме одного параметра. Прогоните её на трёх значениях числа шагов и сравните чистоту деталей. Потом верните шаги и точно так же пройдитесь по guidance, наблюдая, как картинка из мягкой становится всё более жёсткой и в какой-то момент пережжённой. Затем оставьте всё как есть и просто покрутите seed, собирая веер разных прочтений. Полчаса такой игры дают больше понимания, чем десяток прочитанных статей.

И последнее, что стоит держать в голове: диффузия — живой, развивающийся подход. Инженеры постоянно придумывают, как получать то же качество за меньшее число шагов, как делать расшумление стабильнее и послушнее. Поэтому конкретные комфортные значения ползунков со временем меняются от модели к модели, а вот сама интуиция — «от хаоса к порядку, шаг за шагом, под управлением текста и зерна» — остаётся универсальной и переносится на любую новую сеть, которая появится завтра.