Diffusionsmodelle lernen, wie Daten aussehen, indem sie echten Beispielen zufällig Rauschen hinzufügen und anschließend rückwärts trainieren: Vom komplett verrauschten Zustand rekonstruieren sie Schritt für Schritt ein realistisches Ergebnis. Während der Generierung startet das Modell mit Rauschen und entfernt dieses anhand des erlernten Prozesses.
Besonderheiten
- Hohe Qualität: Liefert detailreiche Bilder mit konsistenter Struktur.
- Kontrollmöglichkeiten: Text-Prompts, Bild-Referenzen oder Kontrollnetze lenken den Output.
- Rechenbedarf: Viele Iterationen pro Bild erfordern leistungsfähige GPUs, lassen sich jedoch über Sampler und Quantisierung beschleunigen.
