拡散モデル(Diffusion Model)とは・意味、仕組み・事例・由来

拡散モデル(Diffusion Model)とは?
拡散モデル(Diffusion Model)とは、データに少しずつノイズを加えて崩す過程を逆にたどるように学習し、ノイズだけの状態から画像や動画などを少しずつ作り出す生成モデルのこと。
内閣府の知的財産戦略推進事務局が事務局を務める AI時代の知的財産権検討会は、2024年5月の中間とりまとめで、深層学習で画像を作るモデルの1つに拡散モデルを挙げた。同じ種類のモデルには、変分オートエンコーダー(VAE)や敵対的生成ネットワーク(GAN)などもある。DALL-E2 や Stable Diffusion といった画像生成AIは、拡散モデルを使っているという。
日本の試験の資料は「拡散モデル(Diffusion Model)」と表記している。情報処理推進機構(IPA)が新しい試験制度に向けて示したシラバス案や、生成AI活用普及協会(GUGA)の生成AIパスポートのシラバスが、この表記を使う。
拡散モデルの手法を文章の生成に当てはめた言語モデルは、拡散言語モデルと呼ばれる。
拡散モデルの仕組み
ノイズを足す過程と取り除く過程を組み合わせる
中間とりまとめは、拡散モデルの学習と生成を画像の例で説明している。学習では、元の画像の情報を減らした潜在画像を作り、そこにランダムなノイズを段階的に足した画像を何枚か作る。これが拡散過程だ。続く逆拡散過程では、ノイズの多い画像を1つ前の段階の画像に戻すために、ノイズをどう予想して除けばよいかをモデルが学ぶ。
画像を生成するときは、ノイズだけの画像から出発し、学習で身につけた方法でノイズを取り除く。こうして新しい画像を作る。
プロンプトを条件にしてノイズを取り除く
英国の高等法院は、Stable Diffusion をめぐる裁判の判決で、技術の前提を述べた。判決によると、Stable Diffusion の各版に共通して、生成はランダムなノイズの画像から始まる。学習を終えたネットワークは、利用者が入力したプロンプトを条件にノイズを繰り返し取り除き、プロンプトの意味に沿った画像を作る。
判決は、生成(推論)に学習データは必要なく、モデル自体も学習データを保存していないと述べている。一方で、モデルの機能の大部分は学習データを通じて間接的に左右されるとした。
圧縮した潜在空間で拡散の処理を行う
Robin Rombach 氏らは2021年12月の論文で、拡散モデルの多くは画素の空間で直接動くため、学習に大きな計算資源を使うことが多く、何度も順に計算する生成にも費用がかかると指摘した。著者らは、学習済みのオートエンコーダーが作る潜在空間(データを圧縮して表した空間)で拡散モデルを動かす方法を示し、潜在拡散モデル(latent diffusion models、LDM)と呼んだ。
また、Rombach 氏らはクロスアテンション(cross-attention)と呼ぶ層をモデルに加え、文章などの条件に合わせて画像を生成できるようにした。
Google DeepMind は、画像生成モデル Imagen 4 を潜在拡散モデルと説明している。同社は2025年5月のモデルカード(モデルの仕様や評価をまとめた文書)で、潜在拡散を現代の画像と動画の生成モデルで事実上の標準の方式と位置づけた。
動画と音声を作る Veo 3 も潜在拡散を使い、時間の流れを持つ音声の潜在表現と、時間と空間を持つ動画の潜在表現に拡散の処理をかける。
ノイズを取り除くネットワークに Transformer を使う
William Peebles 氏と Saining Xie 氏は2022年12月の論文で、潜在拡散モデルでよく使われてきた U-Net というネットワークの骨格を、潜在表現を小さく区切ったパッチを扱う Transformer に替えた。この拡散モデルは、Diffusion Transformers(DiT)と名付けられた。
Transformer は一般に、文章の生成AIの多くが使うネットワークの構造を指す。
拡散モデルの由来と広まった経緯
拡散モデルの考え方は、Jascha Sohl-Dickstein 氏らが2015年3月に arXiv で公開した論文にさかのぼる。著者らは非平衡の統計物理に着想を得て、データの分布の構造を繰り返しの「拡散過程(forward diffusion process)」でゆっくり壊し、構造を取り戻す「逆拡散過程(reverse diffusion process)」をモデルに学ばせる方法を示した。
Jonathan Ho 氏らは2020年6月、論文「Denoising Diffusion Probabilistic Models」を arXiv で公開し、拡散確率モデル(diffusion probabilistic models)で品質の高い画像を生成した結果を示した。
Stable Diffusion のもとになったのは、ミュンヘン大学などの研究者(Björn Ommer 教授や Rombach 氏ら)の研究だと、英国の高等法院の判決は述べている。Rombach 氏は、潜在拡散モデルの論文の著者の1人だ。
Stability AI は2022年8月22日、研究者向けの公開に続いて Stable Diffusion を一般に公開し、重みやモデルカード、コードを入手できるようにした。
Google は2025年5月、動画生成モデル Veo 3 と画像生成モデル Imagen 4 を発表した。同社は、Veo 3 と Imagen 4 で生成したコンテンツにも、SynthID の電子透かしを付けるとした。
拡散モデルに関する主な出来事・ニュース
- 2015年3月12日 Jascha Sohl-Dickstein 氏ら「Deep Unsupervised Learning using Nonequilibrium Thermodynamics」を公開:Sohl-Dickstein 氏らは、データの構造を拡散過程で壊し、逆拡散過程で取り戻す生成モデルを示した論文を arXiv で公開した。
- 2020年6月19日 Jonathan Ho 氏ら「Denoising Diffusion Probabilistic Models」を公開:Ho 氏らは、拡散確率モデルで画像を生成する論文を arXiv で公開した。
- 2021年12月20日 Robin Rombach 氏ら「High-Resolution Image Synthesis with Latent Diffusion Models」を公開:Rombach 氏らは、学習済みのオートエンコーダーの潜在空間で拡散モデルを動かす潜在拡散モデル(LDM)の論文を arXiv で公開した。
- 2022年12月19日 William Peebles 氏ら「Scalable Diffusion Models with Transformers」を公開:Peebles 氏と Saining Xie 氏は、Transformer を骨格にした拡散モデル Diffusion Transformers(DiT)の論文を arXiv で公開した。
- 2025年5月21日 Google「Imagen 4, Veo 3: Googleの最新のメディア生成モデル」を公開:Google は、動画生成モデル Veo 3 と画像生成モデル Imagen 4 を発表し、Imagen 4 を Gemini アプリや Vertex AI などで使えるようにした。
- 2025年11月4日 英国の裁判所「Getty Images -v- Stability AI」の判決を公表:英国の裁判所は、Getty Images などが Stability AI を訴えた裁判の判決を公表した。
- 2026年8月17日 Google「Gemini deprecations」:Google は、Gemini API で Imagen 4 のモデルの提供を終え、後継に Nano Banana 2.1 のモデルを勧めた。
- 2026年9月30日 IPA「新試験制度のシラバス案について」を更新:IPAは、プロフェッショナルデジタルスキル試験(仮称)と情報処理安全確保支援士試験の科目A-1(共通知識)のシラバス案などを掲載した。
- 2026年10月1日 GUGA、生成AIパスポートの2027年試験のシラバスの大幅な改訂を発表:GUGAは、2027年2月に開く試験から適用する生成AIパスポートのシラバスを大幅に改訂し、内容を公開した。
- 2026年10月22日 Google「Gemini deprecations」:Google は、Gemini API で Veo 3.1 のプレビュー版のモデルの提供を終え、後継に Gemini Omni 1.2 Flash のモデルを勧めた。
拡散モデルに関する事例・研究
Gemini API は Imagen 4 と Veo の提供を終えた
Google は Gemini API で、潜在拡散モデルの Imagen 4 のモデルの提供を2026年8月17日に終えた。後継には Nano Banana 2.1 を勧めている。動画では、Veo 3.1 のプレビュー版のモデルを2026年10月22日に終え、後継に Gemini Omni 1.2 Flash を勧めている。
Veo 3 のモデルは6月30日に提供を終えており、Google はその後継に Gemini Omni 1.2 Flash のほか、Google Cloud の Gemini Enterprise Agent Platform で一般提供されているモデルも挙げている。
Google DeepMind のモデルカードは、Nano Banana 2.1 を Gemini 3.6 Flash をもとにしたモデルと説明する。
Gemini Omni 1.2 Flash は Gemini Omni Flash をもとにしたモデルで、Google DeepMind は両方のモデルカードで、Gemini の知能と同社の生成メディアのモデルを組み合わせたと説明している。Gemini Omni Flash は、文章・画像・動画・音声の入力に対応した Transformer ベースのモデルだ。
Veo の系列は、Google Cloud の Gemini Enterprise Agent Platform で使える。2026年11月時点で、Veo 3.1 のモデルは一般提供の段階にあり、軽い版の Veo 3.1 Lite はプレビューの段階にある。
Wan2.2 はノイズの段階ごとに2つの専門家のモデルを使い分ける
動画生成モデル Wan を開発する Wan-Video のチームは、2025年7月28日に Wan2.2 の推論のコードと重みを公開した。ライセンスは Apache 2.0 で、重みを誰でも入手して動かせるオープンウェイトのモデルだ。
Wan2.2 は、動画の拡散モデルに MoE(Mixture of Experts)の作りを取り入れた。A14B のモデルは、ノイズの多い初めの段階を受け持つ専門家と、ノイズの少ない後の段階を受け持つ専門家の2つにノイズの除去を分担させる。
初めの段階の専門家は全体の配置を、後の段階の専門家は動画の細部を担う。専門家のモデルはそれぞれ約140億のパラメーターを持つ。合わせると270億になるが、1つの段階で動くのは140億だけだ。
Qwen-Image-2.0 は条件の符号化に Qwen3-VL を使う
Bing Zhao 氏らは2026年5月、画像の生成と編集を1つの枠組みで扱う Qwen-Image-2.0 の技術報告を arXiv で公開した。Qwen-Image-2.0 は、画像と文章を理解するモデル Qwen3-VL を、生成の条件を表すための符号化に使う。これを Multimodal Diffusion Transformer と組み合わせ、条件と生成する画像を合わせて扱う。
Qwen-Image-2.0 は1,000トークンまでの指示を受け付け、スライドやポスター、漫画のように文字の多い画像を作ることができると、Zhao 氏らは技術報告で説明している。
ペンシルベニア州立大学などは拡散の手法で鉄砲水を予測した
ペンシルベニア州立大学は2026年10月6日、同大学の研究者らを含むチームが、画像生成と同じ拡散の手法を使い、1時間ごとの鉄砲水のリスクを予測するモデルを作ったと発表した。研究の論文は、学術誌の Water Resources Research に掲載された。
チームは米国の516の流域で1990〜2003年に記録した1時間ごとの川の流量でモデルを学習させ、学習に使っていない2009〜2014年のデータで予測の精度を試した。責任著者の Chaopeng Shen 教授は、この拡散の手法が、既存の最良の1時間単位の深層学習モデルをおおむね上回ったと説明している。
鉄砲水を予測するモデルは、各地の観測所の新しい観測値を、学習し直さずに予測に取り込むことができる。観測値を学習し直さずに取り込むこの処理は、インペインティング(inpainting)と呼ばれる。インペインティングは一般に、画像の欠けた部分を周りに合わせて埋める処理を指す。
拡散モデルの英語での言い方
| 英語表記 | 意味 | 使用主体 |
|---|---|---|
| diffusion model | ノイズを取り除く過程を学習してデータを生成するモデル | 英国の高等法院、Wan-Video のチーム |
| diffusion probabilistic model | 拡散確率モデル | Jonathan Ho 氏ら |
| latent diffusion model(LDM) | 圧縮した潜在空間で拡散の処理を行うモデル | Robin Rombach 氏ら、Google DeepMind |
| Diffusion Transformer(DiT) | ノイズを取り除くネットワークに Transformer を使う拡散モデル | William Peebles 氏ら |
| Multimodal Diffusion Transformer | 条件の入力と生成する画像を合わせて扱う拡散の Transformer | Bing Zhao 氏ら |
拡散モデルに関する注意点と試験での扱い
画像生成AIには拡散モデル以外の方式もある
OpenAI は2025年3月に公表した GPT-4o のシステムカードの補遺で、4o の画像生成を、拡散モデルとして動く DALL·E と違う自己回帰のモデルと説明した。補遺の時点で、このモデルは ChatGPT に組み込まれていた。自己回帰は一般に、それまでに作った部分をもとに、次の部分を順に作る方式を指す。
その後も OpenAI は ChatGPT の画像生成のモデルを新しくしており、2026年11月4日には ChatGPT Images 2.6 を出した。
英国の高等法院はモデルが著作物の複製物に当たらないと判断した
Getty Images などは、Stability AI が Getty Images のサイトから許可なく画像を集め、Stable Diffusion の学習に使ったとして、英国で訴えた。ただし Getty Images は、学習と開発が英国で行われた証拠がないことを認め、学習と開発についての請求を取り下げた。
2025年11月4日の判決で、高等法院は二次的な著作権の侵害の請求を退けた。判決は、著作物を保存も再現もせず、過去にもそうしたことのない Stable Diffusion のようなAIモデルは英国の著作権法の「侵害する複製物」に当たらないとした。
商標の侵害の請求は一部が認められた。ただし裁判官は、認めた範囲は過去のもので、きわめて限られているとした。同じ裁判官は2025年12月16日、二次的な侵害の請求を退けた部分について、Getty Images の控訴を許可した。裁判官は、法律の解釈をめぐる問題で、控訴院が検討するのが望ましいとした。
試験のシラバスに「拡散モデル」が入った
GUGA が2027年2月の試験から適用する生成AIパスポートのシラバスは、「AI の歴史」と「生成 AI を支える技術革新(Transformer 以降)」の項目で「拡散モデル(Diffusion Model)」を挙げている。
技術革新の項目には、「拡散過程」「逆拡散過程」「潜在拡散モデル(Latent Diffusion Model)」や、学習項目の「拡散モデルの登場」も並ぶ。画像生成AIの項目にも、拡散モデルが入っている。
IPAが2026年9月30日に掲載した、プロフェッショナルデジタルスキル試験(仮称)と情報処理安全確保支援士試験の科目A-1(共通知識)のシラバス案は、生成AIの技術の特徴の用語例に拡散モデル(Diffusion Model)を挙げている。
10月30日に掲載されたプロフェッショナルデジタルスキル(データ・AI)試験(仮称)のシラバス案も、生成モデルの用語例で、オートエンコーダや敵対的生成ネットワーク(GAN)と並べて拡散モデルを挙げた。
拡散モデルに関連する用語
- 拡散言語モデル:画像生成で使われてきた拡散モデルの手法を文章の生成に応用し、複数のトークンを並行して少しずつ整えながら文章を作る言語モデル。
- 電子透かし:画像や音声、文章などのデータに目印となる情報を埋め込む技術。生成AIでは、AIが作ったコンテンツを見分けるために電子透かしが使われる。
- オープンウェイト:学習を終えたAIモデルの重みが公開され、利用者が入手して動かせる状態。
- MoE(Mixture of Experts):モデルの中の複数のエキスパートのうち、トークンごとに一部だけを選んで計算に使うモデルの作り。
拡散モデルに関する出典
AI時代の知的財産権検討会「AI時代の知的財産権検討会 中間とりまとめ」(2024年5月)
情報処理推進機構「プロフェッショナルデジタルスキル試験(仮称)及び情報処理安全確保支援士試験 科目A-1(共通知識)シラバス(案)Ver.0.1」(2026年9月30日掲載)
生成AI活用普及協会「生成AIパスポート試験シラバス(2027年2月試験より適用)」
Mrs Justice Joanna Smith「[Getty Images v Stability AI [2025] EWHC 2863 (Ch)](https://www.judiciary.uk/wp-content/uploads/2025/11/Getty-Images-v-Stability-AI.pdf)」(2025年11月4日、英国の高等法院)
Robin Rombach ほか「High-Resolution Image Synthesis with Latent Diffusion Models」(2021年12月20日、arXiv)
Google DeepMind「Imagen 4 Model Card」(2025年5月20日)
Google DeepMind「Veo 3 Model Card」(2025年5月23日、2026年1月13日更新)
William Peebles、Saining Xie「Scalable Diffusion Models with Transformers」(2022年12月19日、arXiv)
Jascha Sohl-Dickstein ほか「Deep Unsupervised Learning using Nonequilibrium Thermodynamics」(2015年3月12日、arXiv)
Jonathan Ho ほか「Denoising Diffusion Probabilistic Models」(2020年6月19日、arXiv)
Stability AI「Stable Diffusion Public Release」(2022年8月22日)
Google「Imagen 4, Veo 3: Googleの最新のメディア生成モデル」(2025年5月21日)
Google「Gemini deprecations」
Google DeepMind「Nano Banana 2.1」(2026年10月6日)
Google DeepMind「Gemini Omni 1.2 Flash」(2026年11月5日)
Google DeepMind「Gemini Omni Flash」(2026年8月27日)
Google Cloud「Veo 3.1」
Wan-Video「Wan2.2」(2025年7月28日、GitHub)
Bing Zhao ほか「Qwen-Image-2.0 Technical Report」(2026年5月11日、arXiv)
Penn State「The techniques AI uses to create images can help predict floods, researchers say」(2026年10月6日)
OpenAI「Addendum to GPT-4o System Card: Native image generation」(2025年3月25日)
OpenAI「ChatGPT release notes」
Mrs Justice Joanna Smith「[Getty Images (US) Inc & Ors v Stability AI Ltd [2025] EWHC 3343 (Ch)](https://caselaw.nationalarchives.gov.uk/ewhc/ch/2025/3343)」(2025年12月16日、英国の高等法院)
生成AI活用普及協会「生成AIパスポート、2027年試験のシラバスを大幅改訂。改訂版公式テキストの予約販売および資格更新テストの受講申込受付を開始」(2026年10月1日)
情報処理推進機構「新試験制度のシラバス案について」(2026年6月30日公開、10月30日更新)
情報処理推進機構「プロフェッショナルデジタルスキル(データ・AI)試験(仮称)シラバス(案)Ver.0.1」(2026年10月30日掲載)
Courts and Tribunals Judiciary「Getty Images -v- Stability AI」(2025年11月4日)




