Hur AI fungerar

Hur skapar AI bilder? Diffusionsmodeller enkelt förklarade

·

Hur skapar AI bilder? I grunden är det maskininlärning: en modell tränas på många bild–text-par och lär sig sedan att göra en ny bild genom att stegvis ta bort brus så att resultatet följer en textbeskrivning.

Det här är en del av generativ AI. För dig som användare ser det ut som text in, bild ut. Under ytan görs texten om till numeriska representationer, modellen startar från slump och bilden formas i många små steg.

I korthet

  • Bildgeneratorer tränas på stora mängder bilder tillsammans med text som beskriver dem.
  • I en diffusionsmodell lägger man under träningen till brus på riktiga bilder, och modellen lär sig hur bruset kan tas bort igen.
  • När en ny bild skapas börjar modellen från rent brus och styrs av prompten mot ett resultat som matchar texten.
  • Många system använder latent diffusion, där arbetet sker i en komprimerad intern bildbeskrivning i stället för direkt på alla pixlar.
  • Fel som konstiga händer, trasig text och fel antal saker beror ofta på att modellen följer bildmönster bättre än exakta regler och räkning.

Vad händer när du skriver en prompt?

En prompt är en textbeskrivning av bilden du vill ha. Det kan vara något enkelt, som en blå cykel i regn, eller något långt med stil, kameravinkel och ljus. Modellen läser inte texten som en människa. Den gör om orden till siffror som den kan räkna på.

Den här sifferformen kallas ofta en numerisk representation eller en embedding. Det är en lista med tal som fångar något om ordens innehåll och sammanhang. Ord som ofta hör ihop i bildvärlden får representationer som ligger närmare varandra. På så sätt kan modellen använda texten som styrsignal när bilden växer fram.

Hur lär sig modellen sambandet mellan text och bild?

Först tränas modellen på stora mängder bilder tillsammans med bildtexter eller annan text nära bilden. Sådana bild–text-par är träningsdata för text till bild. Målet är inte att lagra varje bild, utan att lära sig återkommande samband mellan ord, former, färger, stilar och motiv.

En textkodare, på engelska text encoder, gör om prompten till de numeriska representationer som bildmodellen använder. Ett känt exempel är CLIP, som tränades på bild–text-par för att koppla ihop text och bild. Bakom både textdelen och bilddelen finns neurala nätverk. Textkodaren bygger ofta på idéer från transformer-arkitekturen, som är bra på att väga ord mot varandra och fånga sammanhang i text.

Vad är en diffusionsmodell?

En diffusionsmodell, på engelska diffusion model, lär sig en omvänd brusprocess. Under träningen tar man en riktig bild och lägger till slumpmässigt brus steg för steg tills bilden nästan bara ser ut som brus. Sedan tränas nätverket att förutsäga bruset i bilden, alltså störningen som ska bort, så att bilden kan göras renare igen.

När modellen senare ska skapa en ny bild gör den tvärtom. Den börjar från rent brus och tar bort brus i många små steg. Efter varje steg blir den interna bilden lite mer ordnad. Textens numeriska representation styr hela tiden processen mot något som passar prompten.

Det betyder att modellen inte bara plockar fram en färdig sparad bild. Den använder det den har lärt sig om bildmönster och om hur en brusig bild kan flyttas steg för steg mot ett motiv som liknar det du bad om.

Hur går det från prompt till färdig bild?

Prompt

Du skriver en beskrivning, till exempel en gul segelbåt i dimma vid soluppgång.

Textkodare

Prompten görs om till numeriska representationer, alltså tal som sammanfattar vad orden brukar betyda i bildsammanhang.

Startbrus och slumpfrö

Modellen börjar från slumpmässigt brus. Ett slumpfrö, på engelska seed, bestämmer vilket startbrus som används.

Styrd avbrusning

I många steg minskar modellen bruset. Vid varje steg använder den textens signal för att flytta resultatet närmare en bild som stämmer med prompten.

Färdig bild

När bruset har minskat tillräckligt återstår en bild. Om modellen arbetar i komprimerad form görs den sista interna bilden om till vanliga pixlar.

Slumpfröet är en viktig förklaring till att samma prompt kan ge olika bilder. Samma text men olika startbrus leder ofta till olika kompositioner, ansikten, vinklar eller detaljer. Om man återanvänder samma prompt och samma seed blir resultatet ofta mycket likt.

Testa själv

1. Skriv exakt samma prompt två gånger i en gratis bildtjänst och jämför bilderna.

2. Lägg märke till vad som ändras trots att texten är densamma, till exempel utsnitt, stil eller antal detaljer.

3. Ändra sedan ett enda ord i prompten och se vilka delar av bilden som skiftar.

Varför används latent diffusion?

Att arbeta direkt med alla pixlar i en stor bild kostar mycket datorkraft. Därför använder många system latent diffusion. Ordet latent betyder här en komprimerad intern bildbeskrivning, alltså en mindre och tätare version av bilden som modellen kan arbeta med.

För att få fram den komprimerade formen används ofta en autoencoder. Det är en modell som först komprimerar en bild och sedan försöker bygga upp den igen. När en bildgenerator använder latent diffusion görs brusprocessen i den komprimerade formen först. Därefter omvandlas resultatet tillbaka till vanliga pixlar av en avkodare, på engelska decoder.

Det här gjorde text till bild mycket mer praktiskt. Stable Diffusion, som släpptes publikt 2022, blev det mest kända namnet för många användare. Grundidén är enkel: arbeta i en mindre intern bildform för att spara beräkning, och bygg upp den fulla bilden i slutet.

Är diffusion enda sättet att skapa AI-bilder?

Nej. Före diffusion var GAN, generative adversarial network, en viktig generativ metod från 2014. Där tränas två delar samtidigt. En generator skapar bilder, och en diskriminator försöker avgöra om de ser äkta ut eller om de är skapade. Metoden var viktig för utvecklingen, men den kunde vara svårare att träna stabilt.

Diffusionsmodeller blev senare vanliga för allmän text till bild eftersom de ofta gav bättre kontroll och jämnare kvalitet. Men vissa nyare modeller använder en annan idé. De beskrivs som autoregressiva, vilket betyder att de genererar bilden stegvis genom att förutsäga nästa bildtoken eller annan diskret visuell enhet utifrån det som redan skapats och den text som styr. Det är alltså inte bokstavligen en rå pixel i taget, utan en mer uppdelad bildrepresentation.

Varför blir händer, text och antal fel?

Vissa delar av bilder är extra känsliga. Händer har många små delar som måste sitta rätt mot varandra. Text i en skylt kräver att varje bokstav får rätt form och rätt ordning. Om du ber om exakt fem glas på ett bord måste modellen samtidigt hålla reda på antal, placering, perspektiv och överlappning.

En bildmodell är ofta stark på helhetsmönster som stil, ljus och stämning. Den är svagare på exakt räkning, stavning och fin struktur. Därför kan en bild se övertygande ut på håll men falla isär när man tittar nära. Det liknar hur språkmodeller ibland ger säkra men felaktiga svar, som på sidan om när AI hittar på svar.

Det här skiljer sig också från datorseende, där modellen ska analysera en bild som redan finns. I text till bild ska modellen i stället bygga upp en ny bild steg för steg, och små misstag under vägen kan bli tydliga i slutresultatet.

Vad betyder detta i praktiken?

Det kan se kreativt ut, men modellen har ingen fantasi i mänsklig mening. Det som händer är att den följer ett inlärt sätt att gå från brus till bild med hjälp av mönster i data. Det är därför resultatet kan vara både imponerande och opålitligt på samma gång.

Samma sak gäller riskerna. Eftersom modeller tränas på stora bildsamlingar från webben uppstår frågor om upphovsrätt och om hur nära resultatet kan ligga tidigare material. Träningsdatan kan också bära med sig algoritmisk bias, till exempel stereotyper om yrken, kön eller hudfärg.

För märkning av AI-bilder används ibland C2PA, en öppen standard för innehållsursprung. Sådan metadata kan vara till hjälp, men den kan saknas eller tas bort. Därför bevisar frånvaro av märkning inte att en bild är mänskligt skapad.

Om du vill slå upp ord som prompt, embedding, seed eller decoder finns en ordlista.

Vanliga frågor

Kopierar AI bara en bild den redan har sett?

Oftast inte. En bildgenerator använder det den har lärt sig från många exempel för att skapa en ny bild från brus. Men i vissa fall kan resultat bli ovanligt lika delar av träningsmaterialet, särskilt om motivet är mycket känt eller prompten är snäv.

Varför ger samma prompt olika bilder?

För att modellen ofta startar från olika slumpbrus. Slumpfröet, eller seed, avgör den första utgångspunkten. Därför kan samma text ge olika kompositioner och detaljer trots att tema och stil känns lika.

Vad är skillnaden mellan diffusion och latent diffusion?

I vanlig diffusion kan man tänka sig att modellen arbetar direkt mot bildens detaljer. I latent diffusion sker samma typ av brusprocess i en komprimerad intern bildbeskrivning först. Det sparar beräkning och gör stora bildmodeller mer praktiska.

Är alla AI-bildverktyg diffusionsmodeller?

Nej. Diffusion är mycket vanligt, men inte det enda sättet. Äldre system använde ofta GAN, och vissa nyare modeller beskrivs som autoregressiva och bygger upp bilden stegvis med bildtoken eller andra diskreta visuella enheter.

Går det att se om en bild är AI-skapad?

Ibland finns metadata om innehållsursprung, till exempel enligt C2PA. Det kan vara ett bra stöd när metadata finns kvar. Men metadata kan försvinna vid delning eller redigering, så frånvaro av sådan märkning är inte ett säkert bevis åt något håll.

Källor

Skriven av AI-redaktionen · Granskad av Linus Pierre. Texten är researchad och faktakontrollerad mot källorna ovan, som en del av maskinlarning.se – en sajt som byggs med AI och granskas av en människa.

Senast uppdaterad: 1 november 2026

Granskad av

Linus Pierre

15 november 2026

Linus har arbetat med AI sedan ChatGPT lanserades i november 2022 – först för att skriva innehåll snabbare, sedan allt mer med automatisering. Han vill göra det enkelt för fler att komma igång med de här kraftfulla verktygen, oavsett om du driver eget eller är anställd och vill automatisera delar av jobbet för att få mer tid till familj, vänner och fritid.

Mer om Linus och hur guiderna granskas

Ser du något som är fel eller har blivit inaktuellt? Hör av dig så rättar vi.