Diffusion Model とは？画像生成 AI の仕組み・Stable Diffusion

• Diffusion Model はノイズを徐々に除去することでデータを生成する深層モデル
• 2022 年以降の画像生成 AI の事実上の主流（Stable Diffusion / DALL·E / Midjourney / Imagen）
• 近年は動画 (Sora / Veo) / 音声 / 音楽 / 3D / 分子生成まで応用が拡大
• 2 ステップで動く: 順過程（画像にノイズを足す） ＋ 逆過程（ノイズから画像を復元）
• GAN や VAE よりも学習が安定し、多様性のある高品質出力が得られる
• 計算コストが高い → Latent Diffusion / 蒸留 / Step 削減で実用化
• 主要ライブラリ: Hugging Face diffusers / Stable Diffusion WebUI / ComfyUI

pip install diffusers transformers accelerate torch

from diffusers import StableDiffusionPipeline
import torch

pipe = StableDiffusionPipeline.from_pretrained(
    "stabilityai/stable-diffusion-2-1",
    torch_dtype=torch.float16,
).to("cuda")

image = pipe(
    "a cute robot reading a book, photorealistic, 4k",
    num_inference_steps=30,
    guidance_scale=7.5,
).images[0]
image.save("output.png")

• 初心者はSDXL / SD3 系 + AUTOMATIC1111 / Fooocus から始める
• VRAM 不足なら fp16 化とtiled VAE / Latent サイズ縮小
• 負のプロンプト (Negative Prompt) で「描いてほしくない要素」を指定すると品質向上
• 同じ seed で再現可能。試行錯誤の比較に便利
• 商用利用はモデルごとのライセンス確認必須（Stability AI / FLUX / Adobe Firefly 等で条件が違う）
• safetensors 形式のモデルを選ぶ（.ckpt は任意コード実行リスク）
• 本番 API はReplicate / Stability API / Vertex AI で従量課金

• 著作権・肖像権: 実在人物・既存キャラクターを意図的に再現するモデル / LoRA は権利侵害になりうる
• 学習データの法的議論が継続中。商用利用ではリスク評価を
• NSFW・違法生成: 児童画像など違法コンテンツの生成は厳禁
• ディープフェイク悪用: 偽情報拡散・なりすましのリスク
• EU AI Act 等で出所表示・透かし義務化が進む
• サンプリング設定で大きく品質が変わる: ステップ数・スケジューラ・guidance_scale を試行錯誤
• OOM (メモリ不足): バッチサイズ・解像度・モデルサイズで容易に発生
• 動画生成は計算が桁違いに重い: 数秒動画でも数分〜数十分