問題 No.3205
拡散モデル（Diffusion Model）を用いた画像生成の仕組みにおいて、モデルが直接予測・学習する対象として最も適切なものはどれか。
【正解の解説】
各タイムステップの画像に含まれる、あるいは画像に加えられたノイズの大きさ
真っ白な雪景色の中から汚れた部分を少しずつ綺麗にする作業に似ています。拡散モデルはいきなり完成形の画像を描くのではなく、ザラザラのノイズまみれの画像から「今どれくらいのノイズが含まれているか」をネットワークに当てさせます。そのノイズを少しずつ引き算していくことで、まるで霧が晴れるように鮮明な画像を作り出すのがこの仕組みの本質です。
スポンサーリンク
【その他の選択肢の解説】
各タイムステップの画像から直接再構成される、次の時点における完全な予測画像
初学者が最も勘違いしやすいポイントですが、拡散モデルは最初から綺麗な次の画像を予測するわけではありません。複雑な最終形を一度に描くのは難しいため、あえて「ノイズを予測して少しずつ引く」という簡単なステップに分割することで、破綻のない高精度な画像生成を実現しています。
各タイムステップにおける潜在空間上の特徴量を逐次的に圧縮する損失関数の値
損失関数はモデルの「テストの点数」のようなものであり、ネットワークが直接予測するターゲットそのものではありません。拡散モデルでは、ノイズの予測誤差を小さくするために損失関数を利用しますが、モデル自体が出力するのはあくまで画像に混ざったノイズそのものです。
各タイムステップの画像遷移を確率的に近似するための重みパラメータの勾配
勾配はモデルが賢くなるための「修正の度合い」を示すものであり、画像生成の各ステップでネットワークが直接推論する対象ではありません。モデルはノイズを予測し、その予測がどれだけ外れたかを計算した結果として、この勾配を使って自らをアップデートしていきます。