Wat is DDPM?

Hoe werkt het eigenlijk?

Stel je voor dat je een prachtige foto hebt, en je voegt daar stapje voor stapje steeds meer ruis aan toe — alsof je er steeds meer sneeuw of mist overheen legt. Na een tijdje is de originele foto volledig verdwenen en zie je alleen nog maar een chaotische wolk van grijze pixels. DDPM (Denoising Diffusion Probabilistic Model) is een AI-techniek die dit proces precies andersom doet: het begint met pure ruis en leert stap voor stap die ruis weg te halen, totdat er een helder beeld tevoorschijn komt.

Het model wordt getraind door duizenden keren te oefenen met dit proces. Het ziet telkens een foto in verschillende stadia van "verruild zijn" en leert welke kleine aanpassingen nodig zijn om van chaotische ruis naar een herkenbaar beeld te komen. Elke stap is klein — een beetje scherper hier, een vlek minder daar — maar na tientallen of honderden stappen ontstaat er iets wat eruitziet als een echt plaatje.

Het bijzondere is dat het model tijdens het genereren controle heeft over wat voor soort beeld het maakt. Door tekstinstructies mee te geven ("een kat op een fiets") stuurt het model de ontruising in een bepaalde richting. Zo kun je met hetzelfde startpunt van ruis steeds andere beelden creëren.

Waarom is dit belangrijk?

Voor 2020 waren de meeste beeldgenererende AI-systemen óf niet scherp genoeg, óf moeilijk te sturen. DDPM veranderde dat. De techniek produceert haarscherpe, gedetailleerde beelden en is veel flexibeler dan eerdere methoden. Je kunt het vergelijken met het verschil tussen een vaag schoolbordkrijttekening en een HD-foto.

Dit diffusieprincipe — van ruis naar helder beeld — blijkt ook toepasbaar op andere domeinen: geluid, video, zelfs 3D-modellen. Het is de motor geworden achter veel moderne generatieve AI.

Waar kom je het tegen?

DDPM is de technische basis onder veel populaire AI-beeldgeneratoren. Tools als Stable Diffusion, DALL·E 2 en Midjourney gebruiken varianten van dit diffusieproces. Ook Adobe Firefly en Canva's AI-beeldfuncties maken gebruik van diffusiemodellen. In de wetenschap wordt DDPM ingezet voor medische beeldverwerking (scherpere MRI-scans) en materiaalonderzoek (voorspellen van moleculaire structuren).

Je ziet het ook terug in video-editing software die frames kan aanvullen of repareren, en in apps die oude foto's restaureren door ruis en beschadigingen stap voor stap weg te nemen.

Een concreet voorbeeld

Een grafisch ontwerper wil een unieke achtergrond voor een website. Ze geeft een diffusiemodel de instructie: "mistig berglandschap bij zonsopgang, pasteltinten". Het model begint met een scherm vol willekeurige pixels en voert honderd kleine correcties uit. Eerst verschijnen vage contouren, dan bergtoppen, daarna kleurverloop en uiteindelijk details zoals nevel tussen de pieken. Na een minuut heeft ze een scherp, origineel beeld dat perfect past bij het ontwerp — zonder stockfoto's of fotograaf.

Wat kun je ermee?

Als je begrijpt hoe DDPM werkt, snap je ook waarom moderne AI-beeldgeneratoren soms tientallen seconden nodig hebben: ze doorlopen letterlijk honderden kleine stappen. Je begrijpt ook waarom je met dezelfde prompt verschillende resultaten krijgt — elke keer start het met andere ruis. En je ziet dat "diffusie" niet alleen over plaatjes gaat: hetzelfde principe duikt op in muziekgeneratie, tekstverbetering en zelfs robotica. Het is een van de meest invloedrijke AI-doorbraken van de afgelopen jaren, en de basis van veel tools die je vandaag gebruikt.