Modelo de difusão: como funciona a IA que cria imagens

De onde vem o termo modelo de difusão?

O nome vem da física. Um artigo da UC Berkeley Law (rascunho de setembro de 2023) explica que a difusão usa técnicas de simulação das ciências físicas. Essas simulações tratam um sistema como uma série de estados que mudam com o tempo.

A história resumida, segundo o mesmo artigo:

• 2015: Jascha Sohl-Dickstein e coautores publicam um dos primeiros trabalhos sobre modelos probabilísticos de difusão.
• Por volta de 2019: esses modelos passam a competir com as GANs, outra família de modelos que gera imagens.
• 2020: Jonathan Ho, Ajay Jain e Pieter Abbeel publicam o trabalho Denoising Diffusion Probabilistic Models (DDPM), citado como um dos primeiros métodos competitivos com as GANs.

A rede neural mais comum nesses modelos se chama U-Net, uma arquitetura criada em 2015 para segmentar imagens médicas.

Como funciona a IA que cria imagens por difusão?

🌱 Sou novo nisso. Imagine uma foto que vai sendo coberta de chuvisco, como uma TV fora do ar, até virar só estática. O modelo é treinado para fazer o caminho de volta: tirar o chuvisco aos poucos. Quando você pede uma imagem, ele começa de uma estática qualquer e vai limpando, guiado pelo seu texto, até aparecer algo que combina com o pedido.

🔎 Já uso. O treino acontece em duas etapas, segundo o artigo da UC Berkeley Law:

1. Os dados são pares de imagem e legenda. Ruído é somado à imagem, aos poucos, até ela parecer estática. 2. A rede neural é treinada para reverter essa corrupção, um passo de cada vez. O resultado de cada passo é comparado com a imagem original e associado à legenda.

Na geração, o seu pedido funciona como se fosse uma legenda. Por isso o mesmo pedido pode dar imagens diferentes: o ponto de partida é ruído aleatório. Cada passo produz uma imagem um pouco mais próxima do texto.

🚀 Já sou mais avançado. No DDPM, descrito no artigo RAPHAEL (NeurIPS 2023), o processo direto adiciona ruído gaussiano segundo um cronograma de T passos. É possível amostrar a imagem ruidosa em qualquer passo t sem repetir os passos anteriores. No processo inverso, uma rede de remoção de ruído estima o ruído adicionado. Ela é otimizada minimizando a distância quadrática entre o ruído real e o estimado. Para usar o texto, um codificador de texto extrai uma representação do pedido, que é incorporada à U-Net.

Todo gerador de imagens é um modelo de difusão?

Não dá para afirmar isso. Difusão é um método de treinar e gerar. Um produto pode combinar um modelo de imagem com um modelo de linguagem, edição por conversa, busca e outras etapas. As páginas oficiais da OpenAI e do Google descrevem capacidades e preços, mas não detalham por completo a arquitetura interna de cada produto.

Dois geradores atuais, para comparar (verificado em nov/2026):

O preço nominal de saída do Nano Banana 2.1 é metade do GPT-Image-2.6. Isso não prova que o custo final por imagem ou a qualidade sejam sempre menores. O custo depende da resolução, do número de imagens e do tamanho das entradas. Nenhum dos dois é o melhor para tudo: teste o seu pedido nos dois.

Outra confusão comum é com nomes antigos. O GPT Image 1 foi encerrado em 23 de outubro de 2026 e não está mais disponível.

Para Midjourney e FLUX, não encontramos fonte oficial atualizada em nov/2026 sobre versão, preço e capacidades. Por isso eles não entram na comparação. Os dois nomes também podem indicar famílias de modelos ou produtos diferentes, então confira sempre a variante exata.