📖 Définition

Un modèle de diffusion apprend à créer des données en inversant un processus graduel de destruction par bruit. Le modèle observe comment du bruit est ajouté à des données réelles jusqu'à les rendre méconnaissables, puis apprend à inverser ce processus étape par étape. Au moment de la génération, il part de bruit pur et le transforme en contenu cohérent et réaliste. Cette approche est à la base des outils de génération d'images les plus performants.

💬 En termes simples

Imaginez un restaurateur d'œuvres d'art au Musée national des beaux-arts du Québec qui apprend en observant des tableaux se dégrader couche par couche, puis maîtrise l'art de les restaurer en inversant chaque étape. Le modèle de diffusion étudie comment une image se transforme en bruit, puis apprend à recréer une image à partir de rien.

🎯 Exemple concret

En 2026, un studio de jeux vidéo montréalais utilise la diffusion pour générer des environnements photoréalistes de villes québécoises historiques. Une firme d'architecture de Québec produit des rendus détaillés à partir de simples croquis. Un laboratoire pharmaceutique de l'Université de Montréal applique la diffusion à la génération de structures moléculaires pour accélérer la découverte de médicaments.

💡 Le saviez-vous ?

Les modèles de diffusion se sont imposés en trois ans comme la technologie dominante en génération d'images, détrônant les GAN qui régnaient depuis 2014. La génération d'une seule image peut impliquer entre 20 et 1000 étapes de débruitage, un processus qui ne prend que quelques secondes sur du matériel moderne.

Navigation

Ressources

Pages