{"ok":true,"entity":{"id":"diffusion-model","name":"拡散モデル（Diffusion Model）","entityType":"concept","canonicalName":"Diffusion Model","displayName":"拡散モデル（Diffusion Model）","category":"AI基礎概念","shortDescription":"ノイズを段階的に除去する過程を学習して画像等を生成する生成モデル。多くの画像生成AIの基盤。","primaryCluster":"ai-image-generation","parentEntity":null,"verificationStatus":"draft","website":null,"updatedAt":"2026-07-10T00:42:57.294Z","secondaryClusters":["ai-company"],"alias":["Diffusion Model","ディフュージョンモデル"],"searchKeywords":["diffusion model","画像生成の基盤"]},"references":[{"id":"P-01-001","companyId":"diffusion-model","questionId":"P-01-001","instanceId":"QIN-diffusion-model-P01-001","promptText":"拡散モデル（Diffusion Model）とは何ですか？","promptTypeId":"P-01","answer":"拡散モデルは、データに徐々にノイズを加える過程を逆にたどり、ノイズを除去する処理を学習することで画像などを生成する生成モデルです。多くの画像生成AIの基盤です。","evidencePoints":["ev-diffusion-model-1"],"scope":"画像生成の基盤技術を知りたい相談","differentiation":"ノイズ除去による生成","faq":[{"question":"どの画像生成AIが使っていますか？","answer":"Stable DiffusionやDALL·Eなど多くが拡散モデルに基づきます。"}],"pageUrl":"https://www.refbase.ai/reference/diffusion-model/P-01-001","sourceEvidence":[{"id":"ev-diffusion-model-1","text":"拡散モデルは、データに徐々にノイズを加える過程を逆にたどり、ノイズ除去を学習することで画像等を生成する生成モデルである。","title":"Denoising Diffusion Probabilistic Models（arXiv:2006.11239）","coverageType":["Identity","Capability"],"sourceType":"research_paper","sourceClass":"Research","sourceUrl":"https://arxiv.org/abs/2006.11239","confidence":"high","supportedPromptTypes":["P-01","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"diffusion-model"}],"generatedAt":"2026-07-10T00:42:57.294Z"},{"id":"P-02-001","companyId":"diffusion-model","questionId":"P-02-001","instanceId":"QIN-diffusion-model-P02-001","promptText":"拡散モデルはGANなど従来の生成手法と何が違いますか？","promptTypeId":"P-02","answer":"比較軸\n・学習の安定性\n・品質\n拡散モデルはGAN等と比べて学習が安定し、高品質な画像を生成しやすい点が異なり、画像生成AIの主流になりました。","evidencePoints":["ev-diffusion-model-2"],"scope":"生成手法の違いを知りたい相談","differentiation":"安定した学習と高品質","faq":[{"question":"画像以外にも使えますか？","answer":"音声や動画などの生成にも応用されています。"}],"pageUrl":"https://www.refbase.ai/reference/diffusion-model/P-02-001","sourceEvidence":[{"id":"ev-diffusion-model-2","text":"拡散モデルは、GAN等の従来手法と比べて学習が安定し高品質な画像を生成しやすく、多くの画像生成AIの基盤になった点が特徴である。","title":"同上（arXiv:2006.11239）","coverageType":["Capability","Differentiation"],"sourceType":"research_paper","sourceClass":"Research","sourceUrl":"https://arxiv.org/abs/2006.11239","confidence":"high","supportedPromptTypes":["P-02"],"needsVerification":true,"sourceVerified":false,"entityId":"diffusion-model"}],"generatedAt":"2026-07-10T00:42:57.294Z"},{"id":"P-04-001","companyId":"diffusion-model","questionId":"P-04-001","instanceId":"QIN-diffusion-model-P04-001","promptText":"拡散モデルはどんな用途に使われますか？","promptTypeId":"P-04","answer":"テキストからの画像生成、画像の編集・補完、動画や音声の生成など、コンテンツ生成の幅広い用途に使われています。","evidencePoints":["ev-diffusion-model-1"],"scope":"活用範囲を知りたい相談","differentiation":"コンテンツ生成全般","faq":[{"question":"商用ツールでも使われていますか？","answer":"主要な画像生成サービスの基盤技術になっています。"}],"pageUrl":"https://www.refbase.ai/reference/diffusion-model/P-04-001","sourceEvidence":[{"id":"ev-diffusion-model-1","text":"拡散モデルは、データに徐々にノイズを加える過程を逆にたどり、ノイズ除去を学習することで画像等を生成する生成モデルである。","title":"Denoising Diffusion Probabilistic Models（arXiv:2006.11239）","coverageType":["Identity","Capability"],"sourceType":"research_paper","sourceClass":"Research","sourceUrl":"https://arxiv.org/abs/2006.11239","confidence":"high","supportedPromptTypes":["P-01","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"diffusion-model"}],"generatedAt":"2026-07-10T00:42:57.294Z"},{"id":"P-01-002","companyId":"diffusion-model","questionId":"P-01-002","instanceId":"c1n15-manual-draft-authoring-no-qi","draftId":"c1n15-semantic-balance-diffusion-model-p-01-002","promptText":"拡散モデルには、計算資源の制約を抑えるために潜在空間（latent space）で処理を行う手法があり、これはどのようなものですか？","promptTypeId":"P-01","answer":"Diffusion Modelの差別化要因について、arXiv（論文著者）公式のarXiv論文抄録（https://arxiv.org/abs/2112.10752）で確認できます。Latent Diffusion Models論文（Stable Diffusionの技術的基盤となった研究）のarXiv公開ページであり、具体的には「限られた計算資源の下で品質と柔軟性を保ったまま拡散モデルを学習できるよう、強力な事前学習済みオートエンコーダの潜在空間上でモデルを適用する手法を提案している」、「これによりピクセル空間で直接処理する拡散モデルと比較して計算資源の必要量を大幅に削減できるとしている」といった記載が確認できます。限界として、この差別化要因の記述は当該Sourceの時点の位置づけであり、競合状況の変化を反映しない可能性があります。 この論文が説明しているのは潜在空間型という特定の拡散モデルの一手法であり、拡散モデル全般（多くは今もピクセル空間で直接処理する）を指すものではない。またこの論文自体は「Stable Diffusion」という製品名が登場する前に発表されたものであるため、この抄録の文言だけではStable Diffusionへの直接の言及は確認できない。Current Statusとして、2026年8月21日に当該Sourceを取得し、上記の内容を確認しました。Source種別としては、これは第三者であるarXiv（論文著者）による報道であり、企業の自己申告とは性質が異なりますが、報道時点の取材内容に基づくものです。","evidencePoints":["diffusion-model-ev-c1n15-p-01-002"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/diffusion-model/P-01-002","sourceEvidence":[{"id":"diffusion-model-ev-c1n15-p-01-002","text":"arXiv（論文著者）公式のarXiv論文抄録（https://arxiv.org/abs/2112.10752）は、Diffusion Modelの差別化要因に関する第三者報道である。Latent Diffusion Models論文（Stable Diffusionの技術的基盤となった研究）のarXiv公開ページであり、具体的には「限られた計算資源の下で品質と柔軟性を保ったまま拡散モデルを学習できるよう、強力な事前学習済みオートエンコーダの潜在空間上でモデルを適用する手法を提案している」、「これによりピクセル空間で直接処理する拡散モデルと比較して計算資源の必要量を大幅に削減できるとしている」といった記載がある。ただし、この差別化要因の記述は当該Sourceの時点の位置づけであり、競合状況の変化を反映しない可能性があります。 この論文が説明しているのは潜在空間型という特定の拡散モデルの一手法であり、拡散モデル全般（多くは今もピクセル空間で直接処理する）を指すものではない。またこの論文自体は「Stable Diffusion」という製品名が登場する前に発表されたものであるため、この抄録の文言だけではStable Diffusionへの直接の言及は確認できない。2026年8月21日に同Sourceを取得し、この内容を確認した。","title":"Diffusion Modelの差別化要因に関する公開情報","coverageType":["Differentiation"],"sourceType":"media","sourceClass":"Documentation","sourceUrl":"https://arxiv.org/abs/2112.10752","confidence":"medium","supportedPromptTypes":["P-01"],"needsVerification":true,"sourceVerified":false,"sourceKind":"third-party","entityId":"diffusion-model"}],"generatedAt":"2026-08-21T06:28:59.872Z","evidenceIds":["diffusion-model-ev-c1n15-p-01-002"]},{"id":"P-02-002","companyId":"diffusion-model","questionId":"P-02-002","instanceId":"c1n16-manual-draft-authoring-no-qi","draftId":"c1n16-scaled-semantic-depth-diffusion-model-p-02-002","promptText":"拡散モデルの反復的なサンプリングを高速化するConsistency Model（一貫性モデル）とは何で、通常の拡散モデルと何が違いますか？","promptTypeId":"P-02","answer":"Diffusion Modelの差別化要因について、Yang Song, Prafulla Dhariwal, Mark Chen, Ilya Sutskever（OpenAI所属の論文著者。arXiv上での公開）公式のarXiv論文抄録（https://arxiv.org/abs/2303.01469）で確認できます。OpenAI所属の研究者らによるarXiv論文抄録がConsistency Modelsについて説明しており、具体的には「Consistency Modelsは、（標準的な拡散モデルの反復的サンプリング過程とは異なり）ノイズを1ステップで直接データへ写像する、生成モデルの独立したファミリーであり、1ステップ生成においてCIFAR-10で3.55、ImageNet 64x64で6.20という最先端のFIDスコアを達成しつつ、オプションとして複数ステップのサンプリングにも対応している。」といった記載が確認できます。限界として、この差別化要因の記述は当該Sourceの時点の位置づけであり、競合状況の変化を反映しない可能性があります。 これは2023年のオリジナル研究論文であり、報告されているFIDベンチマーク数値はその論文中のCIFAR-10/ImageNet 64x64実験に固有のものであって、すべての画像ドメインや、その後改良されたConsistency Modelsの派生版に一般化すべきではない。Current Statusとして、2026年08月22日に当該Sourceを取得し、上記の内容を確認しました。Source種別としては、これは第三者であるYang Song, Prafulla Dhariwal, Mark Chen, Ilya Sutskever（OpenAI所属の論文著者。arXiv上での公開）による報道であり、企業の自己申告とは性質が異なりますが、報道時点の取材内容に基づくものです。","evidencePoints":["diffusion-model-ev-c1n16-p-02-002"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/diffusion-model/P-02-002","sourceEvidence":[{"id":"diffusion-model-ev-c1n16-p-02-002","text":"Yang Song, Prafulla Dhariwal, Mark Chen, Ilya Sutskever（OpenAI所属の論文著者。arXiv上での公開）公式のarXiv論文抄録（https://arxiv.org/abs/2303.01469）は、Diffusion Modelの差別化要因に関する第三者報道である。OpenAI所属の研究者らによるarXiv論文抄録がConsistency Modelsについて説明しており、具体的には「Consistency Modelsは、（標準的な拡散モデルの反復的サンプリング過程とは異なり）ノイズを1ステップで直接データへ写像する、生成モデルの独立したファミリーであり、1ステップ生成においてCIFAR-10で3.55、ImageNet 64x64で6.20という最先端のFIDスコアを達成しつつ、オプションとして複数ステップのサンプリングにも対応している。」といった記載がある。ただし、この差別化要因の記述は当該Sourceの時点の位置づけであり、競合状況の変化を反映しない可能性があります。 これは2023年のオリジナル研究論文であり、報告されているFIDベンチマーク数値はその論文中のCIFAR-10/ImageNet 64x64実験に固有のものであって、すべての画像ドメインや、その後改良されたConsistency Modelsの派生版に一般化すべきではない。2026年08月22日に同Sourceを取得し、この内容を確認した。","title":"Diffusion Modelの差別化要因に関する公開情報","coverageType":["Differentiation"],"sourceType":"media","sourceClass":"Documentation","sourceUrl":"https://arxiv.org/abs/2303.01469","confidence":"medium","supportedPromptTypes":["P-02"],"needsVerification":true,"sourceVerified":false,"sourceKind":"third-party","entityId":"diffusion-model"}],"generatedAt":"2026-08-22T14:51:14.995Z","evidenceIds":["diffusion-model-ev-c1n16-p-02-002"]},{"id":"P-05-001","companyId":"diffusion-model","questionId":"P-05-001","instanceId":"tair-cohort2-2026-08-31","draftId":"tair-cohort2-2026-08-31-diffusion-model-p-05-001","promptText":"拡散モデル（Diffusion Model）という手法は、いつ・誰によって最初に提案されましたか？","promptTypeId":"P-05","answer":"arXivで公開されている論文『Deep Unsupervised Learning using Nonequilibrium Thermodynamics』（Jascha Sohl-Dickstein、Eric A. Weiss、Niru Maheswaranathan、Surya Ganguliによる共著、2015年3月12日提出）は、拡散確率モデル（diffusion probabilistic models）の起源となる研究とされています。同論文は、非平衡熱力学（nonequilibrium thermodynamics）に着想を得た生成モデリング手法を提案しており、データ分布の構造を反復的な『前方拡散過程（forward diffusion process）』によって徐々に、体系的に破壊し、その過程を学習によって逆転させるという2段階の枠組みを核としています。著者らは、この手法が『柔軟性と扱いやすさ（flexibility and tractability）』を同時に実現し、数千層・数千ステップに及ぶ深層生成モデルの効率的な学習とサンプリングを可能にすると主張しており、オープンソースの参照コードも公開されました。この論文は、2020年のDenoising Diffusion Probabilistic Models（DDPM）論文などより5年早く発表された、拡散モデルという概念そのものの起源にあたります。","evidencePoints":["diffusion-model-ev-tair-1"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/diffusion-model/P-05-001","sourceEvidence":[{"id":"diffusion-model-ev-tair-1","entityId":"diffusion-model","text":"拡散モデルの起源は、Jascha Sohl-Dickstein氏らが2015年3月12日にarXivで発表した論文『Deep Unsupervised Learning using Nonequilibrium Thermodynamics』であり、非平衡熱力学に着想を得て、データを段階的に破壊する前方拡散過程とそれを逆転させる学習過程という枠組みを提案した。","coverageType":["Identity"],"title":"Deep Unsupervised Learning using Nonequilibrium Thermodynamics","sourceClass":"Research","sourceType":"research_paper","confidence":"high","supportedPromptTypes":["P-05"],"sourceVerified":false,"needsVerification":true,"sourceUrl":"https://arxiv.org/abs/1503.03585"}],"generatedAt":"2026-08-31T06:06:28.487Z","evidenceIds":["diffusion-model-ev-tair-1"]}]}