拡散モデルとは？画像生成AIの「ノイズから絵を描く」仕組みを解説

テキストを入力するだけで写真のような画像を描き出す——Stable DiffusionやMidjourney、DALL-Eシリーズといった画像生成AIは、いまや誰でも使えるツールになりました。これらの多くが共通して土台にしているのが 拡散モデル（Diffusion Model） という技術です。

名前だけ聞くと難しそうですが、発想そのものは意外とシンプルです。「きれいな画像にわざとノイズ（砂嵐のような乱れ）を加えていき、その逆をたどってノイズから画像を復元する」——この往復を学習させることで、まっさらなノイズから絵を生み出せるようになります。この記事では、拡散モデルとは何か、どうやって画像を生成しているのか、そしてGANやVAEといった従来手法と何が違うのかを、公式論文や解説をもとに非専門家向けに整理します。生成AIの土台となるLLM（大規模言語モデル）とあわせて読むと、生成AI全体の見取り図がつかめます。

拡散モデルとは：ノイズを加えて、取り除く

拡散モデルは、画像データを生成するAIサービスを中心に使われている生成AIモデルの1つです²。LISKULの解説は、これを「画像のようなデータに『わざと』ノイズを加えて一度ランダムな状態にし、そのノイズを段階的に取り除く過程を学習することで、まっさらなところから高精細な画像を生成できる生成AIの一種」³と説明しています。

この技術が画像生成で広く使われるようになった起点が、2020年に発表された論文「Denoising Diffusion Probabilistic Models」（DDPM）です。Jonathan Ho・Ajay Jain・Pieter Abbeelによるこの論文は、拡散モデルを「非平衡熱力学からの着想に基づく潜在変数モデルの一種」¹と位置づけ、この手法で「高品質な画像合成結果」¹が得られることを示しました。拡散モデルの原型は2015年に提案されており、2020年のDDPM論文がその実用性を画像生成の分野で示したかたちです²。

仕組み：順方向と逆方向の2つの過程

拡散モデルの中心には、向きの異なる2つの過程があります。

1つ目は 順方向過程（Forward Process／拡散過程） です。AIsmileyの解説は、これを「元の画像データにランダムノイズを加えていき、最終的にはノイズだけに変換するプロセス」²と説明しています。きれいな写真に少しずつノイズを足していき、最後は意味のない砂嵐の状態にする——いわば画像を壊していく方向です。

2つ目が 逆方向過程（Reverse Process／逆拡散過程） で、こちらは「ガウス分布からノイズを取り除いていき、画像を作成するプロセス」²です。学習したモデルが、ノイズの状態から段階的に実際のデータへ近づけていきます²。AIが本当に学ぶのはこの「ノイズの取り除き方」です。砂嵐から絵を取り戻す手順さえ身につければ、最初にランダムなノイズを与えるだけで、そこから新しい画像を生み出せるようになります。

実際の画像生成では、この逆方向の過程がもう少し具体的な流れで動きます。LISKULの解説によれば、(1) 学習用画像に数百ステップかけて段階的にノイズを加えてランダムな砂嵐状態にし、(2) ニューラルネットワークが「現時点のノイズをどれだけ取り除けばよいか」を予測しながら除去し、(3)「青空の下に立つビジネスマン」といったプロンプトで生成の方向を指定（テキスト条件付け）し、(4) DDIMなどの高速化アルゴリズムを使って生成にかかる時間を短縮する³、という手順です（実際の生成時間はハードウェアや解像度、ステップ数によって変わります）。DDPM論文も、このモデルが「自己回帰デコーディングの一般化と解釈できる、段階的な非可逆展開スキームを自然に許容する」¹と述べており、少しずつ情報を足しながら画像を組み上げていく性質を持つことがうかがえます。

GAN・VAEとの違い：なぜ拡散モデルが主流になったか

画像を生成するAIの手法は、拡散モデルだけではありません。代表的な先行手法に GAN と VAE があり、拡散モデルが広く使われるようになった理由は、これらとの比較で見えてきます。

GAN（敵対的生成ネットワーク）は、「偽物」を作る生成役と「本物か偽物か」を見分ける判定役を競わせて学習する仕組みです。性能は高い一方、AIsmileyの解説はGANに「学習の不安定さと多様性の欠如」²という課題があると指摘しています。学習がうまく進まなかったり、似たような画像ばかり生成してしまったりすることがある、という意味です。

VAE（変分オートエンコーダ）は、データをいったん圧縮（エンコード）してから復元する仕組みですが、拡散モデルにはこの「エンコード側の学習パラメータは存在しません」²。構造の違いが、生成される画像の性質にも影響します。

LISKULの比較では、学習の安定性について拡散モデルは「高い（モード崩壊しにくい）」のに対し、GANは「不安定」、VAEは「安定」と整理されています³。「モード崩壊」とは、生成結果が一部のパターンに偏ってしまう現象のことです。また生成の途中で調整できる制御性も、拡散モデルは高いとされています³。学習が安定していて高品質な画像を多様に生成できる——この組み合わせが、拡散モデルが画像生成AIの主流になった背景にあると考えられます。実際、Stable Diffusion（オープンソースで誰でも無料かつ簡単に使える）やDALL-E 2といった代表的なサービスが拡散モデルを採用しています²。

何に使われているか

拡散モデルの応用は、アートやイラストの生成にとどまりません。LISKULは、ビジネスでの活用例として、バナーやランディングページ素材を短時間で量産するマーケティング用途、色違いや背景を変えたバリエーションを自動生成するEC商品画像、ゲームやメタバース向けの3Dテクスチャ生成、製造業でのデザイン試作の高速化、数百〜数千パターンのクリエイティブを効率生成する広告A/Bテストなどを挙げています³。テキストから画像を作れることで、これまで時間とコストがかかっていた制作工程を圧縮できる点が、業務での価値につながっています。

拡散モデルは、当サイトで紹介してきたStable DiffusionやFLUX、Nano Banana Proをはじめ、多くの画像生成ツールの「裏側の仕組み」になっています。Midjourneyのように内部構造が公式には公開されていないツールもありますが、拡散モデルをベースにしていると広く考えられています。個々のツールの新機能や使い勝手を追うときも、その根っこに「ノイズから絵を描く」というこの考え方があると知っておくと、なぜ高品質な画像を安定して生成できるのか、その理由が腑に落ちやすくなります。