Un modelo de difusión es un modelo generativo que aprende a crear datos, comúnmente imágenes, video o audio, revirtiendo un proceso gradual de ruido: se entrena para eliminar progresivamente el ruido de una muestra corrupta y, una vez entrenado, puede generar nuevos datos partiendo de ruido aleatorio puro y eliminando iterativamente el ruido hasta obtener una salida coherente. Los modelos de difusión son la tecnología detrás de la mayoría de los sistemas líderes de texto a imagen y texto a video a mediados de la década de 2020, habiendo desplazado a las redes generativas adversariales como el enfoque dominante para la síntesis de imágenes de alta fidelidad.
Historia
La base teórica se estableció en un artículo de 2015 de Jascha Sohl-Dickstein y sus colegas, que estableció una analogía con la termodinámica del no equilibrio para describir un proceso de destrucción gradual de la estructura en los datos mediante ruido y el aprendizaje para revertirlo. El enfoque permaneció como una curiosidad de investigación hasta que Jonathan Ho, Ajay Jain y Pieter Abbeel publicaron Denoising Diffusion Probabilistic Models, o DDPM, en 2020, demostrando que un objetivo de entrenamiento relativamente simple podía producir calidad de imagen comparable a la de las GAN. La técnica alcanzó atención generalizada a través de DALL-E 2 de OpenAI en abril de 2022, y se volvió ampliamente accesible unos meses después con el lanzamiento de código abierto de Stable Diffusion en agosto de 2022, basado en difusión latente, una técnica de 2022 introducida por Robin Rombach y sus colegas que ejecutaba el proceso de eliminación de ruido en un espacio latente comprimido en lugar de directamente sobre píxeles en bruto, reduciendo drásticamente el cómputo necesario para entrenar y ejecutar modelos de difusión.
Cómo funciona
Entrenar un modelo de difusión implica un proceso directo que añade pequeñas cantidades de ruido gaussiano a una muestra de datos real a lo largo de muchos pasos hasta que se vuelve indistinguible del ruido puro, y una red neuronal, típicamente una U-Net o, cada vez más, una arquitectura basada en transformers, entrenada para predecir y eliminar el ruido añadido en cada paso, aprendiendo efectivamente el proceso inverso. La generación ejecuta este proceso inverso desde cero: comenzando con ruido aleatorio, el modelo predice y resta ruido repetidamente a lo largo de varios pasos, revelando gradualmente una imagen o video coherente. Los mecanismos de condicionamiento, más comúnmente codificando un prompt de texto e introduciéndolo en la red de eliminación de ruido mediante atención cruzada, permiten a los usuarios guiar lo que el modelo genera, y técnicas como la guía sin clasificador fortalecen cuán estrechamente la salida sigue esa señal de condicionamiento.
Aplicaciones y ecosistema
Los modelos de difusión impulsan esencialmente todos los generadores de imágenes principales en uso generalizado, incluyendo Stable Diffusion, DALL-E, Midjourney y Flux, y subyacen a los generadores de video líderes como Sora, Veo de Google y sistemas chinos como Kling y Seedance. Extensiones como ControlNet, introducidas en 2023, añaden condicionamiento estructural, permitiendo a los usuarios guiar la generación con bocetos, poses o mapas de profundidad, mientras que los ecosistemas construidos alrededor de puntos de control abiertos apoyan una personalización extensa mediante técnicas como adaptadores LoRA entrenados por la comunidad. Las técnicas de difusión también se han aplicado más allá de la generación de medios, incluyendo la predicción de estructura de proteínas y el diseño de moléculas, y los investigadores han explorado enfoques basados en difusión para la generación de texto como alternativa al enfoque autorregresivo token por token utilizado por la mayoría de los modelos de lenguaje grandes, aunque la generación autorregresiva sigue siendo dominante para el texto en 2025.
Limitaciones
En comparación con las GAN, los modelos de difusión son computacionalmente costosos en el momento de la inferencia porque generar una sola muestra puede requerir docenas o cientos de pasos secuenciales de eliminación de ruido, aunque técnicas como la destilación en modelos de pocos pasos y muestreadores mejorados han reducido sustancialmente este costo desde 2022. Los modelos de difusión entrenados en grandes conjuntos de datos no curados extraídos de la web también han enfrentado disputas de derechos de autor de IA sobre si generar imágenes en el estilo de, o que se asemejen a, artistas en los datos de entrenamiento constituye infracción, y han atraído escrutinio por su capacidad de reproducir imágenes de entrenamiento memorizadas textualmente bajo ciertas condiciones.