V příkladu 10 AI obrázky rozpoznávala. Teď je bude tvořit. Nástroje jako Stable Diffusion nebo DALL·E stojí na nápadu, který zní skoro jako trik: naučit se odstraňovat šum. Když to model umí, stačí mu dát čistý náhodný šum a nechat ho odšumovat krok za krokem — a z chaosu se vynoří nový obrázek. In example 10 AI recognized images. Now it will create them. Tools like Stable Diffusion or DALL·E rest on an idea that sounds almost like a trick: learn to remove noise. Once a model can do that, you just hand it pure random noise and let it denoise step by step — and a new picture emerges from the chaos.
Co to jeWhat it is Difúzní model: obrázek se postupně zašumí až na nepoznání a model se učí tenhle proces obrátit — ze šumu udělat obrázek. Tady místo fotek pracujeme s tečkami: každá tečka je jeden vzorek („obrázek“ o pouhých 2 číslech x, y). Asi 400 teček tvaru jsou trénovací data; každá vygenerovaná tečka je nový vzorek.A diffusion model: an image is gradually noised beyond recognition and the model learns to reverse that process — turning noise into an image. Instead of photos we work with dots here: each dot is one sample (an “image” of just 2 numbers, x and y). About 400 dots of a shape are the training data; each generated dot is a new sample.
Co zkusitWhat to try Vyber tvar. Vlevo posuvníkem času t (nebo tlačítkem „Zašum“) sleduj, jak se tvar rozpouští v šumu. Vpravo stiskni „Vygeneruj ze šumu“: začne se z nových náhodných teček a ty se krok za krokem složí do tvaru. Pak zkus málo kroků (1, 2, 5) — výsledek je rozmazaný. A zapni „ukaž trénovací body“.Pick a shape. On the left, use the time slider t (or the “Add noise” button) to watch the shape dissolve into noise. On the right, press “Generate from noise”: it starts from fresh random dots, which assemble into the shape step by step. Then try few steps (1, 2, 5) — the result is blurry. And switch on “show training points”.
Proč je to důležitéWhy it matters Na tomhle principu dnes vzniká většina obrázků od AI. A demo zároveň ukazuje jeho slabinu: model, který si data zapamatuje, je jen kopíruje — odtud spory o autorská práva.Most AI-made images today are created on this principle. And the demo also shows its weak spot: a model that memorizes its data just copies it — hence the copyright disputes.
Zjednodušení: skutečný obrázek jsou miliony čísel (pixely, příklad 10). Tady má každý „obrázek“ jen 2 čísla — polohu jedné tečky. 420 teček tvaru = 420 trénovacích „obrázků“. Model se učí, kde takové tečky leží; volba tvaru tu hraje roli promptu — rozhoduje, kam šum povede.Simplification: a real image is millions of numbers (pixels, example 10). Here each “image” has just 2 numbers — the position of one dot. 420 dots of the shape = 420 training “images”. The model learns where such dots lie; the shape choice plays the role of a prompt — it decides where the noise will lead.
Poctivě: skutečné modely nemají trénovací obrázky u sebe. Odšumování se naučí neuronová síť (typicky předpovídá přidaný šum) z obrovského množství obrázků a pak už data nepotřebuje. Tady odšumovač pro názornost počítáme přesně z trénovacích teček (vážený průměr těch, ze kterých mohla zašuměná tečka vzniknout). Proto výsledek jen kopíruje trénovací data — zapni „ukaž trénovací body“ a uvidíš, že vygenerované tečky padají přesně na ně. To je zapamatování (přeučení) z příkladu 7 v čisté podobě a přesně o tomhle se vedou spory o autorská práva: nevrací model jen kopie cizích obrázků?Honestly: real models don't keep their training images. The denoising is learned by a neural network (typically predicting the added noise) from a huge number of images, after which the data is no longer needed. Here, for clarity, we compute the denoiser exactly from the training dots (a weighted average of the dots a noisy dot could have come from). That's why the result just copies the training data — switch on “show training points” and you'll see the generated dots land exactly on them. That is memorization (overfitting) from example 7 in its purest form, and exactly what copyright disputes are about: isn't the model just returning copies of other people's images?
Nakreslit celý obrázek najednou je strašně těžké. Ale poznat, kde v trochu zašuměném obrázku je šum, a kousek ho ubrat, je mnohem snazší. Difúze proto celý problém rozseká na desítky malých kroků zpět. Difúzní modely se prosadily zhruba v letech 2020–2022 a dnes na nich stojí většina generátorů obrázků. Drawing a whole picture at once is terribly hard. But spotting where the noise is in a slightly noisy image and removing a bit of it is much easier. So diffusion chops the whole problem into dozens of small steps back. Diffusion models took off roughly in 2020–2022, and most image generators are built on them today.
Dopředu: v každém kroku trochu zeslabíme obrázek a přidáme náhodný (gaussovský) šum: xt = √ᾱt·x0 + √(1−ᾱt)·ε. Po dostatečném počtu kroků zbude jen šum. Zpátky: model v každém kroku odhadne, kde byl obrázek, a udělá jeden malý krok k němu. Málo kroků = velké skoky a rozmazaný výsledek. Forward: at each step we fade the image a little and add random (Gaussian) noise: xt = √ᾱt·x0 + √(1−ᾱt)·ε. After enough steps only noise remains. Backward: at each step the model estimates where the image was and takes one small step toward it. Few steps = big jumps and a blurry result.
Trénink je jednoduchý: vezmi skutečný obrázek, přidej náhodné množství šumu a nech síť hádat, jaký šum jsi přidal (šipky ve fázi 1). Chyba = rozdíl skutečného a uhodnutého šumu a síť ji zmenšuje gradientním sestupem jako v příkladu 7 (učení přes backprop z příkladu 8). Opakuje se to na obrovském množství obrázků. Training is simple: take a real image, add a random amount of noise and let the network guess what noise you added (the arrows in phase 1). The error = the difference between the real and the guessed noise, and the network shrinks it with gradient descent as in example 7 (learning via backprop from example 8). This is repeated on a huge number of images.
Prompt se převede na vektor (jako slova v příkladu 13) a síť ho dostává v každém kroku jako nápovědu — prompt tak řídí, kam odšumování vede. Tzv. guidance ten vliv ještě zesílí: porovná odhad s promptem a bez něj a posune výsledek víc směrem k promptu. U nás tuhle roli hraje volba tvaru. The prompt is turned into a vector (like words in example 13) and the network gets it at every step as a hint — so the prompt steers where denoising goes. So-called guidance strengthens that influence: it compares the estimate with and without the prompt and pushes the result further toward the prompt. Here the shape choice plays that role.
Naše tečka má 2 čísla, barevný obrázek 512×512 jich má 786 432 (tři na pixel). Princip je stejný, jen v mnohem více rozměrech. Latentní difúze (např. Stable Diffusion) si obrázek nejdřív zmenší na kompaktní reprezentaci, odšumuje ji a teprve nakonec ji převede zpět na pixely — je to mnohem rychlejší. Our dot has 2 numbers; a 512×512 color image has 786,432 (three per pixel). The principle is the same, just in far more dimensions. Latent diffusion (e.g. Stable Diffusion) first shrinks the image into a compact representation, denoises that, and only at the end turns it back into pixels — which is much faster.
Naše demo si data pamatuje dokonale, takže jen kopíruje — přeučení z příkladu 7. Skutečné modely mají obrázky zobecňovat, ale výzkumníci ukázali, že občas dokážou vrátit téměř přesnou kopii trénovacího obrázku. Proto se vedou spory, zda je trénink na cizích dílech bez svolení v pořádku. Our demo remembers the data perfectly, so it just copies — the overfitting from example 7. Real models are meant to generalize, but researchers have shown they can occasionally return a near-exact copy of a training image. That's why there are disputes over whether training on other people's work without permission is OK.
Vygenerovaná „fotka“ může vypadat úplně skutečně — falešné zprávy, podvržené fotky lidí (deepfakes), podvody. Fotka dnes sama o sobě nic nedokazuje: ověřuj zdroj (kdo ji zveřejnil, kde jinde se objevila). Vodoznaky a metadata o původu pomáhají, ale dají se odstranit. A generated “photo” can look completely real — fake news, forged pictures of people (deepfakes), scams. A photo on its own proves nothing today: check the source (who published it, where else it appeared). Watermarks and provenance metadata help, but they can be removed.
Pointa: generovat = odšumovat. Model nekreslí tah po tahu, ale z náhodného šumu opakovaně „ubírá, co tam nepatří“. A to, co v šumu „vidí“, je jen to, co se naučil z dat — proto jsou kvalita i původ trénovacích dat tak důležité. The point: generating = denoising. The model doesn't draw stroke by stroke; it repeatedly “removes what doesn't belong” from random noise. And what it “sees” in the noise is only what it learned from data — which is why the quality and origin of training data matter so much.