یک جمله می‌نویسید — «کافه‌ای دنج در باران، نور گرم، سبک نقاشی دیجیتال» — و در چند ثانیه تصویری می‌گیرید که هرگز وجود نداشته است. پشت این جادو یک ایده‌ی ریاضی خوش‌ساخت نشسته: مدل انتشار. جالب این‌جاست که این مدل‌ها «تصویر ساختن» را از نقض شروع نمی‌کنند؛ برعکس، اول «خراب کردن» هزاران تصویر را یاد گرفته‌اند و حالا مسیر خراب‌شدن را برعکس می‌روند. در این مطلب می‌بینیم این فرآیند چطور کار می‌کند، متن چطور راهنماش می‌شود و این تکنولوژی در چه کارهایی خوب جواب می‌دهد.
ایده‌ی معکوس: از خراب‌کردن تا ساختن
آموزش مدل انتشار با یک بازی ساده شروع می‌شود: یک تصویر واقعی را بردار و مرحله‌به‌مرحله به آن نویز اضافه کن؛ بعد از صدها گام، دیگر چیزی جز برفک تصادفی باقی نمی‌ماند. مدل در همین فرآیند تمرین می‌شود که «در هر گام، نویزِ اضافه‌شده را پیش‌بینی و حذف کند». وقتی این مهارت خوب یاد گرفته شد، معکوسش مسیر ساختن است: از یک صفحه‌ی کاملاً نویزی شروع کن و بارها از مدل بخواه نویز را کم کن؛ تصویرِ معنادار کم‌کم از دل برفک بیرون می‌آید.
قشنگی این رویکرد در کنترل‌پذیری آن است: ساخت تصویر در چند ده گام کوچک اتفاق می‌افتد و در هر گام می‌توان جهت را اصلاح کرد. همین ویژگی بعداً اجازه‌داد ابزارهایی مثل Midjourney و Stable Diffusion و مدل‌های تصویری جدیدتر — که همه روی همین معماری‌اند — کنترل دقیقی روی سبک، ترکیب‌بندی و جزئیات داشته باشند.
مدل انتشار حافظه‌ای از هزاران مسیرِ خراب‌شدنِ تصویر دارد؛ ساختن، همان مسیرهاست که از آخر به اول برعکس طی می‌شود.
متن چطور راهنمای مدل می‌شود؟
اگر فقط نویز را کم کنیم، تصویر تصادفی می‌گیریم — هر تصویری که مدل بلد است. کاری که جمله‌ی شما می‌کند «انتخاب مسیر» است: متن با یک مدل امبدینگ به بردار تبدیل می‌شود و در هر گامِ حذف نویز، از مکانیزم توجه — همان مفهومی که در مطلب ترنسفورمر دیدیم — به فرآیند تزریق می‌شود؛ تصویرِ در حال شکل‌گیری با معنای کلمات شما «هم‌راستا» می‌شود. کلمه‌ی «باران» توجه را به رگه‌های عمودی می‌کشاند، «نور گرم» رنگ‌ها را نارنجی می‌کند. برای همین کیفیت پرامپت مستقیماً کیفیت تصویر را می‌سازد؛ پرامپت‌نویسی برای تصویر، خودش مهارتی جداگانه شده است.
فرآیند گام‌به‌گام در عمل
- یک صفحه‌ی نویز تصادفی ساخته می‌شود.
- متن شما امبد گرفته و در طول فرآیند حضور دارد.
- مدل در گام اول «نویز باقی‌مانده» را پیش‌بینی می‌کند و بخشی از آن حذف می‌شود — لکه‌های رنگی اولیه شکل می‌گیرند.
- همین کار ده‌ها بار تکرار می‌شود؛ هر گام، جزئیات بیشتری می‌آورد: شکل‌ها، بافت‌ها، نور، ریزه‌کاری.
- در گام آخر، تصویر نهایی از «پاک‌سازی کامل نویز» بیرون می‌آید.
تعداد گام‌ها یک اهرم عملی است: گام بیشتر یعنی کیفیت بهتر اما زمان و محاسبه‌ی بیشتر؛ ابزارها این تعادل را از طریق تنظیماتی مثل «کیفیت» در اختیارتان می‌گذارند.
چرا انتشار جای GAN را گرفت؟
نسل قبلی تولید تصویر، GAN بود: دو شبکه در رقابت — یکی جعل می‌کند، یکی گیر می‌دهد. خروجی‌ها واضح بودند اما آموزش شکننده و تنوع کم؛ و کنترل ترکیب‌بندی سخت. مدل انتشار آموزش پایدارتری دارد، تنوع تصاویرش بالاتر است و — مهم‌تر از همه — با متن کنترل‌پذیر است. برای همین در چند سال، از ساخت لوگو تا تولید بازی، انتشار استاندارد صنعت شد.
نقاط قوت و ضعف از نگاه کاربر
- قوت: کیفیت و سبک. از فتوریک تا نقاشی دیجیتال، با پرامپت درست قابل رسیدن است؛ ویرایش و تکمیل تصویر (مثلاً پر کردن بخش حذف‌شده) هم از قابلیت‌های ذاتی همین معماری است.
- قوت: تنوع بی‌پایان. هر بار خروجی متفاوت است؛ می‌توانید ده‌ها گزینه بگیرید و بهترین را بردارید.
- ضعف: دست‌ها، متن‌ها و شمارش. اجزای ساختارمند — انگشتان، نوشته داخل تصویر، تعداد دقیق اشیاء — جایی است که خطاها معروف‌اند؛ مدل‌های جدید خیلی بهتر شده‌اند اما هنوز خروجی حساس باید چک شود.
- ضعف: وفاداری به جزئیات ریز. اعداد روی فاکتورِ تصویری یا متن داخل لوگو را از مدل انتظار دقیق نداشته باشید؛ آن بخش‌ها را در ابزار طراحی تکمیل کنید.
- ضعف: حق مالکیت و رعایت قوانین. برای استفاده‌ی تجاری، شرایط سرویس و مسئله‌ی حق نشر تصاویر و هنرمندان را جدی بگیرید.
کاربردهای عملی امروز
این معماری فقط سرگرمی نیست: تولید تصویر شاخص محتوا (همان‌طور که تصاویر همین مقالات ساخته شده‌اند)، پیش‌نمایش محصول برای فروشگاه‌ها، تصویرسازی مطلب وبلاگ، مفهوم‌سازی سریع برای تیم‌های طراحی، و تولید پس‌زمینه و دارایی‌های گرافیکی در بازی‌سازی. در همه‌ی این‌ها، مدل انتشار «پیش‌نویس تصویری سریع» می‌سازد و انسان نهایی‌اش را انتخاب و اصلاح می‌کند — تقسیم کاری که هم سرعت می‌دهد هم کیفیت را تضمین می‌کند.
جمع‌بندی
مدل انتشار با یاد گرفتنِ «خراب‌کردن» تصاویر، مسیر معکوس را برای «ساختن» یاد گرفته؛ متن شما با مکانیزم توجه مسیر را انتخاب می‌کند و ده‌ها گامِ کوچکِ حذف نویز، تصویر نهایی را می‌سازند. قوتش کیفیت، تنوع و کنترل‌پذیری است؛ ضعفش جزئیات ساختارمند و متنِ داخل تصویر. اگر تولید تصویر برای کارتان مهم است، همین مطلب را با عمل جمع‌بندی کنید: چند پرامپت واقعی کاری بنویسید و خروجی‌ها را مقایسه کنید — پرامپت‌نویسی تصویر، مثل پرامپت‌نویسی متن، با تمرین مهارت می‌شود.