Un article expliquant les principes des modèles de diffusion

Cet article présente une vue d’ensemble des modèles de diffusion (Diffusion Models) et explique leurs principes. Les modèles de diffusion sont une technique utilisée pour apprendre la distribution des données, principalement employée pour la génération d’images.

Fondamentalement, un modèle de diffusion commence à partir de données très bruitées et génère des données en éliminant progressivement ce bruit. Ce processus se compose de deux étapes : le processus de diffusion avant et le processus de diffusion inverse. Dans le processus de diffusion avant, les données sont progressivement transformées en un état de plus en plus bruité ; dans le processus de diffusion inverse, ce bruit est graduellement supprimé afin de reconstruire les données d’origine.

L’entraînement de ce modèle consiste à minimiser l’écart entre les données fournies et les données mélangées à du bruit ; grâce à cela, le modèle devient progressivement capable de générer des données réalistes. Ces modèles de diffusion affichent des performances particulièrement solides sur les jeux de données à grande échelle et se sont imposés, aux côtés des GAN (Generative Adversarial Networks), comme une technologie importante dans le domaine des modèles génératifs.